Tree Density Estimation

نتاج البحث: نشر في مجلةمقالةمراجعة النظراء

ملخص

We study the problem of estimating the density $f({\mathbf {x}})$ of a random vector ${ {\mathbf {X}}}$ in ${\mathbb R}^{d}$. For a spanning tree $T$ defined on the vertex set $\{1, {\dots },d\}$ , the tree density $f_{T}$ is a product of bivariate conditional densities. An optimal spanning tree minimizes the Kullback-Leibler divergence between $f$ and $f_{T}$. From i.i.d. data we identify an optimal tree $T^{*}$ and efficiently construct a tree density estimate $f_{n}$ such that, without any regularity conditions on the density $f$ , one has $\lim _{n\to \infty } \int | f_{n}({\mathbf {x}})-f_{T^{*}}({\mathbf {x}})|d {\mathbf {x}}=0$ a.s. For Lipschitz $f$ with bounded support, ${\mathbb E}\left \{{ \int | f_{n}({\mathbf {x}})-f_{T^{*}}({\mathbf {x}})|d {\mathbf {x}}}\right \}=O\big (n^{-1/4}\big)$ , a dimension-free rate.

اللغة الأصليةإنجليزيّة أمريكيّة
الصفحات (من إلى)1168-1176
عدد الصفحات9
دوريةIEEE Transactions on Information Theory
مستوى الصوت69
رقم الإصدار2
المعرِّفات الرقمية للأشياء
حالة النشرنُشِر - 1 فبراير 2023

All Science Journal Classification (ASJC) codes

  • !!Information Systems
  • !!Computer Science Applications
  • !!Library and Information Sciences

بصمة

أدرس بدقة موضوعات البحث “Tree Density Estimation'. فهما يشكلان معًا بصمة فريدة.

قم بذكر هذا