★ 2
非高斯结构方程模型的条件风险学习与递归方向
论文指出基于条件方差的因果结构恢复方法可推广为条件风险,从而适用于非高斯噪声场景,最小二乘只是其特例。研究证明利用噪声分布可提升结构恢复精度,并发现高斯下可互换的 top-down 与 bottom-up 方法在非高斯噪声下出现分化,top-down 对任意有限微分熵噪声均正确。
arXiv cs.LG19 天前
共 4 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文指出基于条件方差的因果结构恢复方法可推广为条件风险,从而适用于非高斯噪声场景,最小二乘只是其特例。研究证明利用噪声分布可提升结构恢复精度,并发现高斯下可互换的 top-down 与 bottom-up 方法在非高斯噪声下出现分化,top-down 对任意有限微分熵噪声均正确。
论文探讨基于信念的智能体记忆决策,提出将学习、校准与修订认证分离。在四模型隐马尔可夫族上,学习并认证有用决策所需样本量比源校准少二次方量级。作者在未知身份加背景报告信道下刻画策略改进的锐利可识别区间,并给出有限样本证书,在 MiniGrid 记忆环境中验证了证书的有效性。
论文提出期望对数密度比(ELDR)概念,即在第三种测度下积分的对数密度比,指出许多隐式密度问题中被朴素使用密度比估计(DRE)的任务实为 ELDR 估计。作者证明有限样本 ELDR 估计的根本性局限,并提出对部分 DRE 方法的简单修改以改善估计误差。
研究把「公告边界」后的共形预测评估拆成逐时可靠性与频率校准两种审计,并提出在边界处重置经验分位数的规则。合成断点、电力市场改革与货币政策三类场景下,该重置规则在多数对比中优于五种自适应方法。