基于采样重要性重采样的持续景观非参数密度估计有限混合模型
机器学习
2018-11-21 v1 机器学习
摘要
考虑到参数化曲线上持续景观的构建与采样结构，存在一种随机过程，对此有限混合持续景观模型（FMMPL）能比既有方法更好地描述给定数据集。本文提出一种计算持续景观中积分均方误差（IMSE）的非参数方法。结果表明，FMMPL 比另一种方法更准确。此外，采样重要性重采样（SIR）能更好地描述参数化曲线上的重要 landmark。该结果比简单采样选取的 landmark 具有更高精度与更低空间复杂度。
引用
@article{arxiv.1811.08297,
title = {Finite Mixture Model of Nonparametric Density Estimation using Sampling Importance Resampling for Persistence Landscape},
author = {Farzad Eskandari and Soroush Pakniat},
journal= {arXiv preprint arXiv:1811.08297},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1803.03677