基于边缘化污染分布的核均值估计
机器学习
2021-07-13 v1 机器学习
摘要
在再生核希尔伯特空间中估计核均值是许多核学习算法的关键组成部分。给定有限样本，目标核均值的标准估计是经验平均。先前工作表明，可通过收缩方法构造更好的估计量。在本工作中，我们提出用已知分布的噪声污染数据样本，并给出一种称为边缘化核均值估计量（marginalized kernel mean estimator）的新核均值估计量，该估计量在污染分布下估计核均值。理论上，我们证明边缘化核均值估计量在核均值估计中引入了隐式正则化。在实验上，我们在多个数据集上表明，边缘化核均值估计量比现有估计量获得低得多的估计误差。
引用
@article{arxiv.2107.04855,
title = {Kernel Mean Estimation by Marginalized Corrupted Distributions},
author = {Xiaobo Xia and Shuo Shan and Mingming Gong and Nannan Wang and Fei Gao and Haikun Wei and Tongliang Liu},
journal= {arXiv preprint arXiv:2107.04855},
year = {2021}
}