.png){kind=icon}
返回
SEMI-SUPERVISED U-STATISTICS
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOS2550.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督数据集在众多领域普遍存在，在这些领域中获取完全标注的数据成本高昂或耗时较长。此类数据集的普遍性持续推动了利用未标注数据潜力的新工具和方法的需求。为响应这一需求，我们引入了利用未标注数据丰富性的半监督U统计量，并研究了其统计性质。我们证明了所提出的方法是渐近正态的，并且通过有效将各种强大的预测工具整合到框架中，展现出相较于经典U统计量的显著效率提升。为理解该问题的基本困难，我们在半监督场景下推导了最小最大下界，并表明在正则性条件下，我们的方法在半参数意义上是有效的。此外，针对双变量核函数，我们提出了一种改进方法，在所有退化情形下均优于经典U统计量，并展示了其最优性特性。我们进行了模拟研究以验证我们的发现并进一步展示我们的框架。
Keyword:
minimax risk
semi-supervised inference
U-statistics
van Trees inequal-ity
Adaptivity
期刊
IF:
3.7
论文数:
2.8K
被引数:
2.9W
机构
引用论文
Estimation of conditional densities and sensitivity measures in nonlinear dynamical systems.png)
Biometrika
OAAI
BiometrikaIF0
OAAI分享收藏分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容