Adaptive joint distribution learning

要約

【タイトル】適応的な共同分布学習
【要約】
– テンソル積再生カーネルヒルベルト空間(RKHS)に共同確率分布を埋め込むための新しいフレームワークを開発した。
– 当社のフレームワークは、数百万のデータポイントのサンプルサイズから推定される、低次元で正規化された正のRadon-Nikodym導関数のモデルを収容し、RKHSモデリングの固有の制限を緩和する。
– 定義されている正規化された正の条件付き分布は、当社のアプローチの自然な副産物です。
– 埋め込みは計算が高速であり、予測から分類までの学習問題を収容することができます。
– 当社の理論的な知見は有利な数値結果に補完される。

要約(オリジナル)

We develop a new framework for embedding joint probability distributions in tensor product reproducing kernel Hilbert spaces (RKHS). Our framework accommodates a low-dimensional, normalized and positive model of a Radon-Nikodym derivative, which we estimate from sample sizes of up to several million data points, alleviating the inherent limitations of RKHS modeling. Well-defined normalized and positive conditional distributions are natural by-products to our approach. The embedding is fast to compute and accommodates learning problems ranging from prediction to classification. Our theoretical findings are supplemented by favorable numerical results.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI