.png){kind=icon}
返回
Probability density estimation beyond the dichotomy Parametric/ Non-Parametric methods
.png){kind=icon}
OA
AI
DOI：10.1016/j.ins.2026.123538.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
概率密度估计不仅在统计学中，而且在机器学习和许多应用科学领域中都是一项基本任务。从数据中推导概率密度函数的传统方法属于两大类：参数化或非参数化技术。本研究提出的方法通过结合原始深度学习工具与先进的符号回归，克服了这种二分法。首先，采用一种特定架构的神经网络（称为PDF-Nets），利用自调谐非均匀分箱方法训练网络，以预测给定观测集的局部概率密度函数。其次，符号回归利用PDF-Net的结果提取数学表达式。针对此任务，已设计出多种符号回归改进方法，以克服现有算法（更偏向于分类和回归）的不足。最终结果是一个描述概率密度函数的解析表达式，其关于数学形式的先验约束最小。通过一系列系统的数值测试验证了所开发工具的性能，证明其在精度方面可与最先进的可用技术相媲美，且其竞争优势在数据越稀疏、噪声水平越高时更为显著。
Keyword:
Density Estimation
Genetic Programming
Information Theory
Neural Networks
Symbolic Regression
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
A Practical Utility-Based but Objective Approach to Model Selection for Scientific Applications in the Age of Big Data大数据时代面向科学应用的一种实用、基于效用但客观的模型选择方法.png)
OAAI
IF0
OAAI分享收藏分享收藏When does more regularization imply fewer degrees of freedom? Sufficient conditions and counterexamplesBiometrika
BiometrikaIF0
PREAI
分享收藏
查看更多内容