实体
Local polynomial regression for symmetric positive definite matrices
Local polynomial regression for symmetric positive definite matrices
PulseAugur coverage of Local polynomial regression for symmetric positive definite matrices — every cluster mentioning Local polynomial regression for symmetric positive definite matrices across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新框架统一并分析 Learn-Then-Differentiate 梯度估计
已开发出一种新的 Learn-Then-Differentiate (LTD) 梯度估计框架，它统一了现有方法并提供了准确性保证。该框架解释了 LTD 区分了什么以及它如何准确地估计梯度，特别是对于具有加权表示的模型。研究表明，拟合模型的准确性保证可以转化为梯度准确性，在特定的平滑条件下接近标准的蒙特卡洛速率。这种统一的方法包括了核回归和核岭回归等成熟技术，同时也为多核学习和光滑神经网络提供了新的见解。
-
新的核回归方法增强了对异常值的鲁棒性
研究人员开发了一个新颖的局部多项式回归框架，通过将预测变量和响应变量都纳入加权机制来增强鲁棒性。该新方法利用条件密度核来估计权重，通过局部密度估计有效地减轻了异常值的影响。该方法已在Python中实现并公开可用，其经验偏差低于迭代鲁棒LOWESS，并且与标准LOWESS相比仍具有竞争力，为鲁棒回归应用提供了有前景的扩展。