条件Cauchy-Schwarz散度及其在时间序列数据与序贯决策中的应用
机器学习
2025-03-18 v3 信息论
math.IT
机器学习
摘要
Cauchy-Schwarz(CS)散度由Príncipe等人于2000年提出。本文将经典CS散度推广以量化两个条件分布之间的接近程度，并表明所发展的条件CS散度可由核密度估计器从给定样本简单估计。我们阐明了我们的条件CS散度相对于先前方案（如条件KL散度和条件最大均值差异）的优势（例如，严格的保真性保证、更低的计算复杂度、更高的统计功效，以及在广泛应用中的更大灵活性）。我们还展示了条件CS散度在两个与时间序列数据和序贯推断相关的机器学习任务中的优异性能，即时间序列聚类和用于序贯决策的不确定性引导探索。条件CS散度的代码可在https://github.com/SJYuCNEL/conditional_CS_divergence获取。
引用
@article{arxiv.2301.08970,
title = {The Conditional Cauchy-Schwarz Divergence with Applications to Time-Series Data and Sequential Decision Making},
author = {Shujian Yu and Hongming Li and Sigurd Løkse and Robert Jenssen and José C. Príncipe},
journal= {arXiv preprint arXiv:2301.08970},
year = {2025}
}
备注
manuscript is accepted for publication in IEEE Transactions on Pattern Analysis and Machine Intelligence. The code is available at \url{https://github.com/SJYuCNEL/conditional_CS_divergence}