研究人员探索了使用紧凑支撑径向基函数（CS-RBF）作为一种新颖的概率密度函数参数族，特别关注Wendland $\mathscr{C}^2$ 核。该研究在单变量和条件设置中提供了矩和累积分布函数等统计属性的解析表达式，并考虑了截断和非截断支撑的场景。还介绍了一种使用CS-RBF混合模型进行密度估计的增量学习算法，该算法在合成和真实世界数据集上展示了与高斯混合模型相比具有竞争力的性能。 AI
影响 这项研究可能带来更有效和更准确的密度估计方法，可能影响依赖于概率方法的机器学习模型。
排序理由 该集群包含一篇详细介绍数学和统计学特定领域新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
- Gaussian Mixture Models
- Gaussian processes
- k-means clustering
- stochastic gradient descent
- Wendland $\mathscr{C}^2$ kernels
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
