機械学習統計学

Kirjaudu sisään

näkemys - 機械学習統計学

リッジ正則化の最適化レベルは、訓練分布と検証分布の間のコバリアンスと信号構造の整合性によって決まる。分布シフトが存在する場合、最適な正則化レベルは負の値になることがある。

コンフォーマル予測は機械学習モデルの予測の不確実性を定量化する堅牢なフレームワークである。本論文では、e-test 統計量を活用することで、コンフォーマル予測の有効性を高める新しい BB-predictor (下限予測器) を提案する。

共分散を知らずに、効率的に平均を推定する2つの手法を提案する。1つ目は、Tukey深度を用いて平均に近い点をプライベートにサンプリングする手法で、ガウス分布に対して最適なサンプル複雑度を達成する。2つ目は、経験共分散行列を用いて平均を推定する手法で、より一般的な分布クラスに対して良好な性能を示す。

ガウシアンミクスチャーモデルにおけるセミ教師あり分類問題のベイズリスクを計算し、既知のアルゴリズムの振る舞いを理解する。

Tietoja

Tuotteet

Resurssit