基于 Pearson 散度泛函最小化的在线非参数似然比估计
机器学习
2023-11-06 v1 机器学习
摘要
利用可用数据量化两个概率密度函数 和 之间的差异是统计学与机器学习中的基本问题。解决该问题的常用方法是 与 之间的似然比估计（LRE），据我们所知，其主要针对离线情形进行了研究。本文的贡献在于针对随时间观测到成对 iid 观测 的设定，引入了在线非参数 LRE（OLRE）的新框架。我们方法的非参数特性具有不依赖于 和 形式的优势。此外，我们利用核方法与泛函最小化的最新进展，开发了一种可高效在线更新的估计器。我们提供了 OLRE 方法性能的理论保证以及在合成实验中的经验验证。
引用
@article{arxiv.2311.01900,
title = {Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization},
author = {Alejandro de la Concha and Nicolas Vayatis and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:2311.01900},
year = {2023}
}