Kernel Density Machines
arXiv stat.ML / 2026/3/27
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文では、最小限の仮定のもとでラドン＝ニコディム微分（2つの測度間の確率密度）を学習するためのカーネルベースの枠組みである Kernel Density Machines（KDM）を提案する。
- KDMは一般の可測空間に対して定式化され、従来の古典的なノンパラメトリック密度推定器に典型的な構造的制約を回避している。
- 著者らは、構成した標本推定量に対する一貫性と関数型中心極限定理を含む理論的保証を提示する。
- スケーラビリティのために、ニーストローム型の低ランク近似を開発し、最適な誤差率を証明することで、密度学習に関する保証のうち従来欠けていたギャップに対処している。
- 実験と応用により、KDMの多用途性が示されており、カーネル2標本検定や条件付き分布推定に有効であること、さらに局所的に平滑化したアプローチに比べて次元に依存しない保証が得られることが示される。
広告
