Model Selection via Misspecified Cramér-Rao Bound Minimization.

Nadav E. Rosenthal, Joseph Tabrikian

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים

תקציר

In many applications of estimation theory, the true data model is unknown, and a set of parameterized models are used to approximate it. This problem is encountered in learning systems, where the assumed model parameters are estimated using training data. One of the challenges in these problems is choosing the architecture used for the approximated model. Complex and high-order models with limited training data size may lead to overfitting, while simple and low-order models may lead to model misspecification. In this paper, we propose to use the misspecified Cramér-Rao bound (MCRB) as a criterion for model selection. The MCRB takes into account modeling errors due to both overfitting and model misspecification. The performance of the proposed approach is evaluated via simulations for model order selection in a linear regression problem. The proposed method outperforms the minimum description length and the Akaike information criterion.

שפה מקוריתאנגלית אמריקאית
כותר פרסום המארח2022 IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2022 - Proceedings
עמודים5762-5766
מספר עמודים5
מסת"ב (אלקטרוני)9781665405409
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - מאי 2022
אירוע47th IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2022 - Virtual, Online, סינגפור
משך הזמן: 23 מאי 202227 מאי 2022

סדרות פרסומים

שםICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings
כרך2022-May

כנס

כנס47th IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2022
מדינה/אזורסינגפור
עירVirtual, Online
תקופה23/05/2227/05/22

ASJC Scopus subject areas

  • ???subjectarea.asjc.1700.1712???
  • ???subjectarea.asjc.1700.1711???
  • ???subjectarea.asjc.2200.2208???

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Model Selection via Misspecified Cramér-Rao Bound Minimization.'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי