| bibtype |
J -
Journal Article
|
| ARLID |
0090636 |
| utime |
20240103184837.7 |
| mtime |
20071205235959.9 |
| title
(primary) (eng) |
Learning for Nonstationary Dirichlet Processes |
| specification |
|
| serial |
| ARLID |
cav_un_epca*0256772 |
| ISSN |
0890-6327 |
| title
|
International Journal of Adaptive Control and Signal Processing |
| volume_id |
21 |
| volume |
10 (2007) |
| page_num |
827-855 |
| publisher |
|
|
| title
(cze) |
Učení nestacionárních Dirichletových procesů |
| keyword |
Nestacionární procesy |
| keyword |
učení |
| keyword |
Dirichletovy procesy |
| keyword |
zapomínání |
| author
(primary) |
| ARLID |
cav_un_auth*0021112 |
| name1 |
Quinn |
| name2 |
A. |
| country |
IE |
|
| author
|
| ARLID |
cav_un_auth*0101124 |
| name1 |
Kárný |
| name2 |
Miroslav |
| institution |
UTIA-B |
| full_dept |
Department of Adaptive Systems |
| fullinstit |
Ústav teorie informace a automatizace AV ČR, v. v. i. |
|
| source |
|
| cas_special |
| project |
| project_id |
2C06001 |
| agency |
MŠk ČR |
| country |
CZ |
| ARLID |
cav_un_auth*0217685 |
|
| project |
| project_id |
1ET100750401 |
| agency |
GA AV ČR |
| ARLID |
cav_un_auth*0001792 |
|
| research |
CEZ:AV0Z10750506 |
| abstract
(eng) |
The Dirichlet process prior (DPP) is used to model an unknown probability distribution, F: This eliminates the need for parametric model assumptions, providing robustness in problems where there is significant model uncertainty. Two important parametric techniques for learning are extended to this non-parametric context for the first time. These are (i) sequential stopping, which proposes an optimal stopping time for online learning of F using i.i.d. sampling; and (ii) stabilized forgetting, which updates the DPP in response to changes in F; but without the need for a formal transition model. In each case, a practical and highly tractable algorithm is revealed, and simulation studies are reported. |
| abstract
(cze) |
Dirichletův proces se používá pro modelování neznámého rozložení F. To umožňuje se vyhnout předpokladu o jejím parametrickém rozlišení a zajišťuje odolnost v úlohách s vysokou neurčitostí. Článek rozšiřuje použití dvou technik známých z parametrického odhadování do neparametrického kontextu. Konkrétně (i) průběžné zastavování volící okamžik zastavení průběžného odhadování F z nezávislých vzorků; (ii) stabilizované zapomínání, které respektuje pomalé časové změny F bez jejich podrobnějšího modelování. V obou případech je navrženo algoritmické řešení a jeho chování je ilustrováno simulačními příklady. |
| reportyear |
2008 |
| RIV |
BB |
| permalink |
http://hdl.handle.net/11104/0151461 |
| mrcbT16-f |
0.886 |
| mrcbT16-g |
0.07 |
| mrcbT16-h |
7.1 |
| mrcbT16-i |
0.00207 |
| mrcbT16-j |
0.461 |
| mrcbT16-k |
436 |
| mrcbT16-l |
43 |
| arlyear |
2007 |
| mrcbU63 |
cav_un_epca*0256772 International Journal of Adaptive Control and Signal Processing 0890-6327 1099-1115 Roč. 21 č. 10 2007 827 855 Wiley |
|