FrançaisEnglish

Érudit | Dépôt de documents >
CIRANO - Centre interuniversitaire de recherche en analyse des organisations >
Cahiers scientifiques >

Please use this identifier to cite or link to this item:

https://depot.erudit.org//id/000885dd

Title: Locally Weighted Full Covariance Gaussian Density Estimation
Authors: Bengio, Yoshua
Vincent, Pascal
Issue Date: 2004-05
Publisher: Centre interuniversitaire de recherche en analyse des organisations (CIRANO)
Series/Report no.: Série scientifique (CIRANO);2004s-29
Scientific series (CIRANO);2004s-29
Abstract: Nous décrivons une application du principe d'apprentissage local à l'estimation de densité. Le lissage pondéré localement d'une gaussienne utilisant une matrice de covariance pleine et régularisée conduit à un estimateur de densité ayant un comportement amélioré lorsque la masse de probabilité est concentrée le long d'une variété de basse dimension. Même si l'estimateur proposé n'est pas garanti d'intégrer à 1 sur un ensemble de données fini, nous prouvons la convergence asymptotique de la vraie densité. Les résultats expérimentaux illustrant les avantages de cet estimateur sur les estimateurs non paramétriques classiques sont présentés.

We describe an interesting application of the principle of local learning to density estimation. Locally weighted fitting of a Gaussian with a regularized full covariance matrix yields a density estimator which displays improved behavior in the case where much of the probability mass is concentrated along a low dimensional manifold. While the proposed estimator is not guaranteed to integrate to 1 with a finite sample size, we prove asymptotic convergence to the true density. Experimental results illustrating the advantages of this estimator over classic non-parametric estimators are presented.
URI: http://www.cirano.qc.ca/pdf/publication/2004s-29.pdf
https://depot.erudit.org/id/000885dd
ISSN: 1198-8177
Appears in Collections:Cahiers scientifiques

Files in This Item:

2004s-29.pdf (Adobe PDF ; 348.6 kB)

Items in the Repository are protected by copyright, with all rights reserved, unless otherwise indicated.

 

About Érudit | Subscriptions | RSS | Terms of Use | Contact us |

Consortium Érudit ©  2016