Are Few Bins Enough: Testing Histogram Distributions
Are Few Bins Enough: Testing Histogram Distributions
复制标题
箱数就够了：测试直方图分布
DOI：
--
复制
发表时间：
2016
期刊：
影响因子：
--
通讯作者：
C. Canonne
中科院分区：
文献类型：
--
作者：
C. Canonne
如果在大多数k连续的间隔上可以将其表示为分段构函数，则在有序的宇宙[n] = {1，...，...，n}上的概率分布被称为k-示威。我们研究以下问题：给定在[n]上的任意分布d的样本，必须确定d是k-示例，还是与任何此类简洁表示的距离距离l_1距离很远。我们为此问题获得了一个样本和时间效率的算法，并在此任务所需的样本数量上获得了几乎匹配的信息理论下限。由于Indyk，Levi和Rubinfeld 2012）和Canonne，Diakonikolas，Gouleakis和Rubinfeld（2016），我们的结果对先前最新的结果大大改善。
A probability distribution over an ordered universe [n]={1,...,n} is said to be a k-histogram if it can be represented as a piecewise-constant function over at most k contiguous intervals. We study the following question: given samples from an arbitrary distribution D over [n], one must decide whether D is a k-histogram, or is far in L_1 distance from any such succinct representation. We obtain a sample and time-efficient algorithm for this problem, complemented by a nearly-matching information-theoretic lower bound on the number of samples required for this task. Our results significantly improve on the previous state-of-the-art, due to Indyk, Levi, and Rubinfeld 2012) and Canonne, Diakonikolas, Gouleakis, and Rubinfeld (2016).
近线性时间内的样本最优密度估计
DOI：
10.48550/arxiv.1506.00671
发表时间：
2015
期刊：
--
影响因子：
--
作者：
Acharya J
通讯作者：
Acharya J
使用可变宽度直方图的近线性时间中的近最优密度估计
DOI：
10.48550/arxiv.1411.0169
发表时间：
2014
期刊：
--
影响因子：
--
作者：
Chan S
通讯作者：
Chan S