Locally Weighted Full Covariance Gaussian Density Estimation
Locally Weighted Full Covariance Gaussian Density Estimation
复制标题
局部加权全协方差高斯密度估计
DOI：
--
复制
发表时间：
2004
期刊：
影响因子：
--
通讯作者：
Pascal Vincent
中科院分区：
文献类型：
--
作者：
Yoshua Bengio;Pascal Vincent
我们描述了局部学习原理在密度估计中的一个有趣的应用。用正则化的全协方差矩阵对高斯分布进行局部加权拟合，得到了一个密度估计量，在大部分概率质量集中在低维流形上的情况下，密度估计量表现出更好的性能。虽然所提出的估计量不能保证在有限样本量下积分为1，但我们证明了对真密度的渐近收敛。实验结果说明了该估计器相对于经典非参数估计器的优越性。Nous描述了一种应用“学徒局部原理”和“密度估计”的方法。利用矩阵的协方差系数和正则化系数，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度，估计密度。模因是一种估计器，它提出了一种最优逼近法和一种最优逼近法，并给出了一种收敛渐近法。实验结果表明，非参数估计器和非参数估计器具有一定的优越性。
We describe an interesting application of the principle of local learning to density estimation. Locally weighted fitting of a Gaussian with a regularized full covariance matrix yields a density estimator which displays improved behavior in the case where much of the probability mass is concentrated along a low dimensional manifold. While the proposed estimator is not guaranteed to integrate to 1 with a finite sample size, we prove asymptotic convergence to the true density. Experimental results illustrating the advantages of this estimator over classic non-parametric estimators are presented. Nous decrivons une application du principe d'apprentissage local a l'estimation de densite. Le lissage pondere localement d'une gaussienne utilisant une matrice de covariance pleine et regularisee conduit a un estimateur de densite ayant un comportement ameliore lorsque la masse de probabilite est concentree le long d'une variete de basse dimension. Meme si l'estimateur propose n'est pas garanti d'integrer a 1 sur un ensemble de donnees fini, nous prouvons la convergence asymptotique de la vraie densite. Les resultats experimentaux illustrant les avantages de cet estimateur sur les estimateurs non parametriques classiques sont presentes.
影响因子：
4.5
作者：
N. Hjort;M. C. Jones
通讯作者：
N. Hjort;M. C. Jones