面向多维对数密度梯度估计的正则化多任务学习
机器学习
2015-08-04 v1
摘要
对数密度梯度估计是一个基本统计问题，并具有各种实际应用，如聚类和测量非高斯性。首先估计密度然后取其对数梯度的朴素两步法不可靠，因为准确的密度估计不一定导致准确的对数密度梯度估计。为应对此问题，已探索一种无需密度估计直接估计对数密度梯度的方法，并被证明比两步法效果好得多。本文目标是进一步提高该直接方法在多维情况下的性能。我们的想法是将每个维度的对数密度梯度估计问题视为一个任务，并将正则化多任务学习应用于直接对数密度梯度估计器。我们通过实验证明了所提出的多任务方法在对数密度梯度估计和模式寻找聚类中的有用性。
引用
@article{arxiv.1508.00085,
title = {Regularized Multi-Task Learning for Multi-Dimensional Log-Density Gradient Estimation},
author = {Ikko Yamane and Hiroaki Sasaki and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1508.00085},
year = {2015}
}