首页/论文/2402.09374

arXiv 2402.093742024-02-14math.STstat.TH

基于最近邻图的 Varentropy 估计

Varentropy Estimation via Nearest Neighbor Graphs

Nikolai Leonenko, Yu Sun, Emanuele Taufer

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

AI总结：

本文提出基于最近邻图的随机向量 Varentropy 统计估计量，并证明了其渐近无偏性与 L2 一致性。

摘要：

Varentropy 是衡量随机向量信息含量变异性的指标，且在仿射变换下保持不变。我们提出了基于最近邻图（距离）的随机向量 Varentropy 的统计估计量。证明了该估计量的渐近无偏性与 L2 一致性。

英文摘要：

The Varentropy is a measure of the variability of the information content of random vector and it is invariant under affine transformations. We introduce the statistical estimate of varentropy of random vector based on the nearest neighbor graphs (distances). The asymptotic unbiasedness and L2-consistency of the estimates are established.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

仿射不变的$k$ -最近邻回归估计

An Affine Invariant $k$-Nearest Neighbor Regression Estimate

我们在$\mathbb R^d$中设计了一个依赖于数据的度量，并使用它来定义给定点的$k$ -最近邻。我们的度量在所有的仿射变换下都是不变的。我们表明，与此度量，标准的$k$ -最近邻回归估计是渐近一致的$k$的通常条件下，对输入数据的最低要求。

2012-05-18math.STstat.TH

黎曼流形上的k-近邻密度估计

k-Nearest neighbor density estimation on Riemannian Manifolds

本文考虑了随机变量属于黎曼流形时的k-近邻核型估计。我们研究的渐近性质，如一致性和渐近分布。仿真研究也被认为是评估的建议的性能。最后，为了说明所提出的估计的潜在应用，我们分析了两个实际的例子，其中考虑两个不同的流形。

2011-06-23math.STstat.TH

密度和回归函数的 $k$-最近邻核估计量的强一致一致性的收敛速率

Rates of strong uniform consistency for the $k$-nearest neighbors kernel estimators of density and regression function

本文探讨了多元情形下密度与回归函数的 $k$-最近邻核估计量的一致性问题，并在特定假设下推导出这些估计量在整个空间 $\mathbb{R}^p$ 上的强一致一致性的收敛速率。

2024-08-22math.STstat.TH

分布式最近邻分类

Distributed Nearest Neighbor Classification

最近邻方法是一种常用的非参数分类和回归方法，具有许多吸引人的性质。在大数据时代，大数据的绝对量和空间/时间差异可能会阻止集中处理和存储数据。这给最近邻预测带来了相当大的障碍，因为必须记住整个训练数据。解决这个问题的一个有效方法是分布式学习框架。通过多数表决，分布式最近邻分类器实现了相同的收敛速率，其甲骨文版本的遗憾和不稳定性，乘法常数，仅取决于数据的维度。通过用加权投票方案代替多数投票方案，可以消除乘性差异。此外，我们提供尖锐的子样本的数量的理论上界，以分布式最近邻分类器达到最佳的收敛速度。值得注意的是，加权投票方案允许比多数投票方案更多的子样本。我们的研究结果支持数值模拟和真实数据集的研究。

2018-12-12math.STstat.TH

空间数据的k-近邻预测与分类

k-nearest neighbors prediction and classification for spatial data

本文提出了一种空间k-近邻方法，用于实值空间数据的非参数预测和分类空间数据的监督分类。该方法是基于双最近邻规则，结合两个内核来控制观测和位置之间的距离。它使用随机带宽以更适当地拟合协变量的分布。证明了该预测器的几乎全收敛，并推导出监督分类规则的几乎必然收敛。有限样本性质给出了两个应用的k-近邻预测和分类规则的土壤和渔业数据集

2022-12-29math.STstat.APstat.TH

最近邻匹配的$L_2$ -一致性

On $L_2$-consistency of nearest neighbor matching

有偏抽样和缺失数据使从因果推理到强化学习的统计问题变得复杂。我们经常使用匹配方法和重要性加权来校正汇总统计量的有偏抽样。本文研究了最近邻匹配（NNM），它通过用有偏样本中的最近邻变量代替未观测变量来估计有偏样本的总体数量。我们表明，NNM是$L_2$ -一致的光滑性和有限维有界性假设的情况下。我们讨论了NNM的应用，概述了将这项工作推广到可分度量空间的障碍，并将这一结果与逆概率加权进行了比较。

2022-05-31math.STstat.MLstat.TH

更多相关论文收起更多论文

最近邻分类的收敛速度

Rates of Convergence for Nearest Neighbor Classification

University of California, San Diego（加州大学圣地亚哥分校）

最近邻方法是一类流行的非参数估计方法，具有一些理想的性质，例如对不同空间区域中不同距离尺度的适应性。最近邻分类的收敛速度的先前工作没有完全反映这些微妙的性质。我们分析了这些估计量在度量空间中的行为，并在最小假设下提供了有限样本，分布相关的收敛速度。作为一个副产品，我们能够在比以前已知的更广泛的数据空间中建立最近邻的普遍一致性。我们说明了我们的上限和下限，通过引入平滑类定制的最近邻分类。

2014-07-02cs.LGmath.STstat.ML

依赖采样下的最近邻半径

Nearest-Neighbor Radii under Dependent Sampling

Department of Statistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校统计系）；Department of Biostatistics, University of California, Berkeley, CA 94720, USA（加州大学伯克利分校生物统计学系）

研究依赖采样下最近邻半径的几何性质，建立分布无关的几乎必然收敛和尖锐非渐近矩界，适用于高维数据集中的低维流形。

2026-05-14cs.LGmath.STstat.ML

用于矩阵补全的自适应加权最近邻

Adaptively-weighted Nearest Neighbors for Matrix Completion

Cornell University（康奈尔大学）；The Wharton School（沃顿商学院）；Cornell Tech（康奈尔科技）

本文提出 AWNN 自适应加权最近邻矩阵补全方法，通过平衡偏差—方差权衡自动选择半径与权重，并在最少假设下给出理论保证及合成实验验证。

2025-05-14cs.LGmath.STstat.ME