کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6863125 | 1439405 | 2018 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Necessary and sufficient conditions of proper estimators based on self density ratio for unnormalized statistical models
ترجمه فارسی عنوان
شرایط لازم و کافی برآوردگرهای مناسب براساس نسبت تراکم خود برای مدلهای آماری غیر عادی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مدل آماری غیر عادی، ثبات، تطبیق نمره، قوانین به ثمر رساند غیر محلی، نسبت تراکم خود،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
The largest family of density-ratio based estimators is obtained for unnormalized statistical models under the assumption of properness. They do not require normalization of the probability density function (PDF) because they are based on the density ratio of the same PDF at different points; therefore, the multiplicative normalization constant cancels out. In contrast with most existing work, a single necessary and sufficient condition is given here, rather than merely sufficient conditions for proper criteria for estimation. The condition implies that an extended Bregman divergence framework with data-dependent noise (Gutmann & Hirayama, 2011) gives the largest family of proper criteria in the present case. This properness yields consistent estimation as long as some mild conditions are satisfied. The present study shows that the above-mentioned framework gives an “upper bound” for attempts to extend Hyvärinen's score matching and therefore provides a perspective for studies in this direction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 98, February 2018, Pages 263-270
Journal: Neural Networks - Volume 98, February 2018, Pages 263-270
نویسندگان
Kazuyuki Hiraoka, Toshihiko Hamada, Gen Hori,