研究人员开发了一种新颖的摊销框架，用于学习核密度估计中的带宽选择。该方法在密度估计任务的分布上优化对数得分，即使在异构数据下也能实现稳定的学习。实验表明，与Silverman规则和最小二乘交叉验证等传统方法相比，这种摊销选择器表现显著更优，尤其是在样本量小或多样化的情况下。 AI
影响 这项研究可能带来更准确的概率密度估计，惠及那些依赖于将有限样本转换为连续概率密度的应用。
排序理由 关于核密度估计新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Gaussian Mixture Models
- least-squares cross-validation
- Sheather--Jones selector
- Silverman's rule
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
