Learning sparse conditional distribution: An efficient kernel-based approach
Learning sparse conditional distribution: An efficient kernel-based approach
复制标题
学习稀疏条件分布：一种高效的基于内核的方法
DOI：
10.1214/21-ejs1824
复制
发表时间：
2021-01
影响因子：
1.1
通讯作者：
Junhui Wang
中科院分区：
文献类型：
--
作者：
Fang Chen;Xin He;Junhui Wang
本文提出了一种恢复条件分布稀疏结构的新方法，该方法在后续预测、预测、条件分布估计等统计分析中发挥着至关重要的作用。与大多数通常需要显式模型假设或承受计算负担的现有方法不同，所提出的方法通过利用再现核希尔伯特空间（RKHS）的一些理想特性而显示出巨大的优势。它可以通过优化其对偶形式来有效实现，并且在处理大规模数据集时特别有吸引力。该方法的渐近一致性是在温和条件下建立的。各种模拟示例和来自中国北方的现实超市数据集也支持了其有效性。 MSC2020科目分类：初级68Q32、62G08；中学 62J07。
This paper proposes a novel method to recover the sparse structure of the conditional distribution, which plays a crucial role in subsequent statistical analysis such as prediction, forecasting, conditional distribution estimation and others. Unlike most existing methods that often require explicit model assumption or suffer from computational burden, the proposed method shows great advantage by making use of some desirable properties of reproducing kernel Hilbert space (RKHS). It can be efficiently implemented by optimizing its dual form and is particularly attractive in dealing with large-scale dataset. The asymptotic consistencies of the proposed method are established under mild conditions. Its effectiveness is also supported by a variety of simulated examples and a real-life supermarket dataset from Northern China. MSC2020 subject classifications: Primary 68Q32, 62G08; secondary 62J07.
登录
查看更多内容
DOI：
10.1007/978-1-4899-7687-1_810
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Xinhua Zhang
通讯作者：
Xinhua Zhang
DOI：
10.1080/00031305.2018.1558109
发表时间：
2017-04
期刊：
The American Statistician
影响因子：
--
作者：
Srinjoy Das;D. Politis
通讯作者：
Srinjoy Das;D. Politis
DOI：
10.1201/9781003139041-11
发表时间：
2021-03
期刊：
An Introduction to IoT Analytics
影响因子：
--
作者：
Harry G. Perros
通讯作者：
Harry G. Perros
DOI：
--
发表时间：
2016
期刊：
Journal of machine learning research : JMLR
影响因子：
--
作者：
Chong Zhang;Yufeng Liu;Yichao Wu
通讯作者：
Chong Zhang;Yufeng Liu;Yichao Wu
影响因子：
7.4
作者：
Ke-Lin Du;M. Swamy
通讯作者：
Ke-Lin Du;M. Swamy