Deep Conditional Measure Quantization

要約

確率測度の量子化とは、(確率測度の計量空間で) 入力分布を十分に近似するディラック質量の有限集合でそれを表すことを意味します。
そのためにさまざまな方法が存在しますが、条件付き法則を量子化する状況はあまり調査されていません。
DCMQ と呼ばれる方法を提案します。これは、ヒューバー エネルギー カーネル ベースのアプローチとディープ ニューラル ネットワーク アーキテクチャを組み合わせたものです。
この方法は、いくつかの例でテストされ、有望な結果が得られます。

要約(オリジナル)

Quantization of a probability measure means representing it with a finite set of Dirac masses that approximates the input distribution well enough (in some metric space of probability measures). Various methods exists to do so, but the situation of quantizing a conditional law has been less explored. We propose a method, called DCMQ, involving a Huber-energy kernel-based approach coupled with a deep neural network architecture. The method is tested on several examples and obtains promising results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google