اکسپرس 24
ترجمه فارسی مقاله تخمین‌گرهای چگالی هسته در ابعاد بزرگ

ترجمه فارسی مقاله تخمین‌گرهای چگالی هسته در ابعاد بزرگ

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Kernel Density Estimators in Large Dimensions
عنوان مقاله به فارسی تخمین‌گرهای چگالی هسته در ابعاد بزرگ
نویسندگان Giulio Biroli, Marc Mézard
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Machine Learning,Disordered Systems and Neural Networks,Statistics Theory,Machine Learning,یادگیری ماشین , سیستم های بی نظمی و شبکه های عصبی , تئوری آمار , یادگیری ماشین ,
توضیحات Submitted 16 August, 2024; v1 submitted 11 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 16 اوت 2024 ؛V1 ارسال شده 11 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper studies Kernel density estimation for a high-dimensional distribution $ρ(x)$. Traditional approaches have focused on the limit of large number of data points $n$ and fixed dimension $d$. We analyze instead the regime where both the number $n$ of data points $y_i$ and their dimensionality $d$ grow with a fixed ratio $α=(log n)/d$. Our study reveals three distinct statistical regimes for the kernel-based estimate of the density $hat ρ_h^{mathcal {D}}(x)=frac{1}{n h^d}sum_{i=1}^n Kleft(frac{x-y_i}{h}right)$, depending on the bandwidth $h$: a classical regime for large bandwidth where the Central Limit Theorem (CLT) holds, which is akin to the one found in traditional approaches. Below a certain value of the bandwidth, $h_{CLT}(α)$, we find that the CLT breaks down. The statistics of $hat ρ_h^{mathcal {D}}(x)$ for a fixed $x$ drawn from $ρ(x)$ is given by a heavy-tailed distribution (an alpha-stable distribution). In particular below a value $h_G(α)$, we find that $hat ρ_h^{mathcal {D}}(x)$ is governed by extreme value statistics: only a few points in the database matter and give the dominant contribution to the density estimator. We provide a detailed analysis for high-dimensional multivariate Gaussian data. We show that the optimal bandwidth threshold based on Kullback-Leibler divergence lies in the new statistical regime identified in this paper. Our findings reveal limitations of classical approaches, show the relevance of these new statistical regimes, and offer new insights for Kernel density estimation in high-dimensional settings.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله برآورد چگالی هسته برای توزیع با ابعاد بالا $ ρ (x) $ بررسی شده است.رویکردهای سنتی بر حد تعداد زیادی از نقاط داده $ n $ و ابعاد ثابت $ d $ متمرکز شده است.ما در عوض رژیم را تجزیه و تحلیل می کنیم که در آن هر دو شماره $ n از نقاط داده $ y_i $ و ابعاد آنها $ d $ با نسبت ثابت $ α = ( log n)/d $ رشد می کند.مطالعه ما سه رژیم آماری مجزا را برای برآورد مبتنی بر هسته از چگالی $ hat ρ_h^{ mathcal {d}} (x) = frac {1 {n h^d} sum_ {i = 1}^نشان می دهد.n k سمت چپ ( frac {x-y_i} {h} راست) $ ، بسته به پهنای باند $ h $: یک رژیم کلاسیک برای پهنای باند بزرگ که در آن قضیه حد اصلی (CLT) وجود دارد ، که شبیه به یکی استدر رویکردهای سنتی یافت می شود.در زیر مقدار مشخصی از پهنای باند ، $ h_ {clt} (α) $ ، می فهمیم که CLT تجزیه می شود.آمار $ hat ρ_h^{ mathcal {d}} (x) $ برای یک $ $ ثابت ثابت شده از $ ρ (x) $ توسط یک توزیع با دم سنگین (توزیع قابل تحمل آلفا) داده می شود.به ویژه در زیر مقدار $ H_G (α) $ ، ما می دانیم که $ hat ρ_h^{ Mathcal {D}}} (x) $ توسط آمار ارزش شدید اداره می شود: فقط چند نکته در موضوع پایگاه داده و غالب را ارائه می دهدسهم در برآوردگر چگالی.ما یک تجزیه و تحلیل دقیق برای داده های چند متغیره گاوسی با ابعاد بالا ارائه می دهیم.ما نشان می دهیم که آستانه پهنای باند بهینه بر اساس واگرایی Kullback-Leibler در رژیم جدید آماری که در این مقاله مشخص شده است نهفته است.یافته های ما محدودیت های رویکردهای کلاسیک را نشان می دهد ، ارتباط این رژیم های جدید آماری را نشان می دهد و بینش جدیدی را برای برآورد چگالی هسته در تنظیمات با ابعاد بالا ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.