PulseAugur
实时 06:28:05
English(EN) Breaking the Curse with BAND: Nonparametric Distribution Estimation in High Dimensions

新的BAND方法在高维空间中提供更快的分布估计

研究人员开发了一种新的非参数分布估计方法,称为贝叶斯网络分布回归(BAND)。该方法利用稀疏贝叶斯网络来估计条件概率,使其能够处理高维时间序列中的混合数据类型。BAND实现了多项式总变差收敛率,显著优于缺乏稀疏性的估计器的经典最优收敛率,并在数据采样和置信区域预测方面与最先进的基准相比表现出竞争力。 AI

影响 引入了一种新颖的统计方法,可以改进高维数据集中的AI模型训练和预测。

排序理由 详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的BAND方法在高维空间中提供更快的分布估计

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Shuo-Chieh Huang, Chien-Ming Chi, Jau-er Chen ·

    用 BAND 破除诅咒:高维非参数分布估计

    arXiv:2607.26955v1 Announce Type: new Abstract: Minimax-optimal rates for multivariate distribution estimation are known to suffer from the curse of dimensionality. We propose a sparse Bayesian network approach in which each conditional probability is estimated using sparsity-awa…