Minimum Divergence Methods in Statistical Machine Learning : From an Information Geometric Viewpoint

Name: Minimum Divergence Methods in Statistical Machine Learning : From an Information Geometric Viewpoint
Author: Shinto Eguchi
ISBN: 9784431569206

Shinto Eguchi

Idioma: inglés

Editorial: Springer, Springer, 2022

4431569200 / 9784431569206

Tapa dura
Nuevo

Ver todos los detalles

Librería: AHA-BUCH GmbH, Einbeck, AlemaniaAHA-BUCH GmbH

Vendedor de 5 estrellas

Vendedor de AbeBooks desde 14 de agosto de 2006

Ver los artículos de este vendedor

Tapa dura

Condición: Nuevo

EUR 168,73

Envío por EUR 62,59

Se envía de Alemania a Estados Unidos de America

Cantidad disponible: 1 disponibles

Añadir al carrito

Guardar para más tardeCrear una petición para artículos similares

Descripción del artículo del vendedor

Druck auf Anfrage Neuware - Printed after ordering - This book explores minimum divergence methods of statistical machine learning for estimation, regression, prediction, and so forth, in which we engage in information geometry to elucidate their intrinsic properties of the corresponding loss functions, learning algorithms, and statistical models.One of the most elementary examples is Gauss's least squares estimator in a linear regression model, in which the estimator is given by minimization of the sum of squares between a response vector and a vector of the linear subspace hulled by explanatory vectors. This is extended to Fisher's maximum likelihood estimator (MLE) for an exponential model, in which the estimator is provided by minimization of the Kullback-Leibler (KL) divergence between a data distribution and a parametric distribution of the exponential model in an empirical analogue. Thus, we envisage a geometric interpretation of such minimization procedures such that a right triangle is kept with Pythagorean identity in the sense of the KL divergence. This understanding sublimates a dualistic interplay between a statistical estimation and model, which requires dual geodesic paths, called m-geodesic and e-geodesic paths, in a framework of information geometry. We extend such a dualistic structure of the MLE and exponential model to that of the minimum divergence estimator and the maximum entropy model, which is applied to robust statistics, maximum entropy, density estimation, principal component analysis, independent component analysis, regression analysis, manifold learning, boosting algorithm, clustering, dynamic treatment regimes, and so forth. We consider a variety of information divergence measures typically including KL divergence to express departure from one probability distribution to another. An information divergence is decomposed into the cross-entropy and the (diagonal) entropy in which the entropy associates with a generative model as a family of maximum entropy distributions; the cross entropy associates with a statistical estimation method via minimization of the empirical analogue based on given data. Thus any statistical divergence includes an intrinsic object between the generative model and the estimation method. Typically, KL divergence leads to the exponential model and the maximum likelihood estimation. It is shown that any information divergence leads to a Riemannian metric and a pair of the linear connections in the framework of information geometry. We focus on a class of information divergence generated by an increasing and convex function U, called U-divergence. It is shown that any generator function U generates the U-entropy and U-divergence, in which there is a dualistic structure between the U-divergence method and the maximum U-entropy model. We observe that a specific choice of U leads to a robust statistical procedurevia the minimum U-divergence method. If U is selected as an exponential function, then the corresponding U-entropy and U-divergence are reduced to the Boltzmann-Shanon entropy and the KL divergence; the minimum U-divergence estimator is equivalent to the MLE. For robust supervised learning to predict a class label we observe that the U-boosting algorithm performs well for contamination of mislabel examples if U is appropriately selected. We present such maximal U-entropy and minimum U-divergence methods, in particular, selecting a power function as U to provide flexible performance in statistical machine learning.

N° de ref. del artículo 9784431569206

Contacte con el vendedor en relación con este artículo

Denunciar este artículo

Título: Minimum Divergence Methods in Statistical Machine Learning : From an Information Geometric Viewpoint
Autor: Shinto Eguchi
Editorial: Springer, Springer
Año de publicación: 2022
Estado: Neu
Encuadernación: Buch
Idioma: inglés
ISBN 10: 4431569200
ISBN 13: 9784431569206
Peso del artículo: 518 gramos
Dimensiones: 241x160x19 mm

This book explores minimum divergence methods of statistical machine learning for estimation, regression, prediction, and so forth, in which we engage in information geometry to elucidate their intrinsic properties of the corresponding loss functions, learning algorithms, and statistical models. One of the most elementary examples is Gauss's least squares estimator in a linear regression model, in which the estimator is given by minimization of the sum of squares between a response vector and a vector of the linear subspace hulled by explanatory vectors. This is extended to Fisher's maximum likelihood estimator (MLE) for an exponential model, in which the estimator is provided by minimization of the Kullback-Leibler (KL) divergence between a data distribution and a parametric distribution of the exponential model in an empirical analogue. Thus, we envisage a geometric interpretation of such minimization procedures such that a right triangle is kept with Pythagorean identity in the sense of the KL divergence. This understanding sublimates a dualistic interplay between a statistical estimation and model, which requires dual geodesic paths, called m-geodesic and e-geodesic paths, in a framework of information geometry.
We extend such a dualistic structure of the MLE and exponential model to that of the minimum divergence estimator and the maximum entropy model, which is applied to robust statistics, maximum entropy, density estimation, principal component analysis, independent component analysis, regression analysis, manifold learning, boosting algorithm, clustering, dynamic treatment regimes, and so forth. We consider a variety of information divergence measures typically including KL divergence to express departure from one probability distribution to another. An information divergence is decomposed into the cross-entropy and the (diagonal) entropy in which the entropy associates with a generative model as a family of maximum entropy distributions; the cross entropy associates with a statistical estimation method via minimization of the empirical analogue based on given data. Thus any statistical divergence includes an intrinsic object between the generative model and the estimation method. Typically, KL divergence leads to the exponential model and the maximum likelihood estimation. It is shown that any information divergence leads to a Riemannian metric and a pair of the linear connections in the framework of information geometry.
We focus on a class of information divergence generated by an increasing and convex function U, called U-divergence. It is shown that any generator function U generates the U-entropy and U-divergence, in which there is a dualistic structure between the U-divergence method and the maximum U-entropy model. We observe that a specific choice of U leads to a robust statistical procedure via the minimum U-divergence method. If U is selected as an exponential function, then the corresponding U-entropy and U-divergence are reduced to the Boltzmann-Shanon entropy and the KL divergence; the minimum U-divergence estimator is equivalent to the MLE. For robust supervised learning to predict a class label we observe that the U-boosting algorithm performs well for contamination of mislabel examples if U is appropriately selected. We present such maximal U-entropy and minimum U-divergence methods, in particular, selecting a power function as U to provide flexible performance in statistical machine learning.

“Sinopsis” puede pertenecer a otra edición de este título.

AHA-BUCH GmbH

Einbeck, Alemania

Vendedor de 5 estrellas

Vendedor de AbeBooks desde 14 de agosto de 2006

Tarifas de envío de Alemania a Estados Unidos de America

Artículo	De 30 a 40 días hábiles	De 7 a 14 días hábiles
Primer artículo	EUR 62,59	EUR 72,59

Los plazos de entrega los establecen los vendedores y varían según el transportista y la ubicación. Los pedidos que pasan por la aduana pueden sufrir retrasos y los compradores son responsables de los aranceles o tarifas asociadas. Los vendedores pueden ponerse en contacto con usted en relación con cargos adicionales para cubrir cualquier aumento en los costes de envío de los artículos.

Métodos de pago

Cheque
Giro bancario
PayPal

Descripción de la tienda

Das Unternehmen AHA-BUCH GmbH: Seit der Gründung von AHA-BUCH im Juli 2005 ist unser Hauptziel, zufriedenen Kunden so schnell und so preisgünstig wie möglich ihren Bücherwunsch zu erfüllen. Unsere Firma beschäftigt 16 Mitarbeiter, die nur ein Ziel kennen: den Kunden und seine Wünsche! Auf über 3700 m2 Fläche haben wir über 100.000 Bücher, Modernes Antiquariat und Spiele auf Lager.

Especialidad

Kinderbücher & Kinderhör Casetten, German Books, Software, Natur & Tiere, Ratgeber, Sachbücher, Englische Bücher, Medizin & Gesundheit, Universität & Studium

Información empresarial del vendedor

AHA-BUCH GmbH

Garlebsen 48
Einbeck, Alemania 37574

Contactar con el vendedorVer los artículos de este vendedorVer la página principal del vendedor

Condiciones de venta

IImprint

Información del vendedor

AHA-BUCH GmbH
representado por el director gerente Christel Glass
Garlebsen 48
37574 Einbeck
Alemania
Teléfono: 055639996039
Fax: 055639995974
E-Mail: abebooks@aha-buch.de
USt-IdNr.: DE261904229
Inscrita en el Registro Mercantil Amtsgerichtes Göttingen
Handelsregisternummer HRB 200691

Resolución alternativa de conflictos:
La Comisión Europea proporciona una plataforma para la resolución extrajudicial de litigios en línea (plataforma ODR), a la que se puede acceder en https://ec.europa.eu/odr.

Somos miembros de la iniciativa "FairCommerce" desde el 25.05.2018.
Para obtener más información, consulte www.fair-commerce.de.

Derecho al desistimiento

Si es un consumidor, puede rescindir el contrato de acuerdo con lo siguiente. Por consumidor se entiende cualquier persona física que actúe con fines ajenos a su actividad comercial, empresarial, oficio o profesión.

Información sobre el derecho de desistimiento

Derecho legal de desistimiento

Tiene derecho a rescindir este contrato en un plazo de 14 días sin dar ningún motivo.

El periodo de desistimiento vencerá a los 14 días desde que usted, o un tercero que no sea el transportista e indicado por usted, adquiera la posesión física del último bien o del último lote o pieza.

Para ejercer el derecho de desistimiento, complete de forma electrónica y envíe una declaración clara en nuestro sitio web, desde "Mis compras" en "Mi cuenta". Le enviaremos sin demora un acuse de recibo de dicho desistimiento a través de un soporte duradero (por ejemplo, por correo electrónico).

Para cumplir con el plazo de desistimiento, basta con que envíe su comunicación relativa al ejercicio del derecho de desistimiento antes de que venza el periodo de desistimiento.

Efectos del desistimiento

Si rescinde este contrato, le reembolsaremos todos los pagos que hayamos recibido de usted, incluidos los gastos de envío (excepto los gastos adicionales que surjan si elige un tipo de envío que no sea el tipo de envío estándar más económico que ofrecemos).

Podemos hacer una deducción del reembolso por la pérdida de valor de cualquier bien suministrado, si la pérdida es el resultado de una manipulación innecesaria por su parte.

Efectuaremos el reembolso sin demoras indebidas y, a más tardar, 14 días después de que se nos informe de su decisión de rescindir este contrato.

Efectuaremos el reembolso utilizando el mismo medio de pago que utilizó para la transacción inicial, a menos que haya acordado expresamente lo contrario; en cualquier caso, no incurrirá en ningún cargo como resultado de dicho reembolso.

Podremos retener el reembolso hasta que hayamos recibido los bienes o hasta que nos haya presentado una prueba de que los ha devuelto, lo que ocurra primero.

Deberá devolver los bienes o entregarlos a AHA-BUCH GmbH, Einbeck, Germany, sin demoras indebidas y, en cualquier caso, en un plazo máximo de 14 días a partir del día en que nos comunique su desistimiento del presente contrato. El plazo se cumple si devuelve la mercancía antes de que venza el periodo de 14 días. Tendrá que asumir los gastos directos de devolución de los bienes. Usted solo es responsable de la disminución del valor de los bienes como resultado de una manipulación distinta a la necesaria para establecer la naturaleza, las características y el funcionamiento de los bienes.

Excepciones al derecho de desistimiento

El derecho de desistimiento no se aplica a lo siguiente:

La entrega de periódicos, diarios o revistas, con la excepción de los contratos de suscripción; y
El suministro de contenido digital que no se proporcione en un soporte tangible (por ejemplo, en un CD o DVD) si, al hacer el pedido, aceptó que podíamos empezar a entregarlo y que no podría desistir una vez iniciada la entrega.

Condiciones de envío

Enviamos su pedido después de recibirlos
para artículos disponibles las últimas 24 horas,
para artículos con suministro nocturno a más tardar 48 horas.
En caso de que necesitemos pedir un artículo a nuestro proveedor, nuestro tiempo de envío depende de la fecha de recepción de los artículos, pero los artículos se enviarán el mismo día.

Nuestro objetivo es enviar los artículos pedidos de la manera más rápida, pero también más eficiente y segura a nuestros clientes.

Minimum Divergence Methods in Statistical Machine Learning : From an Information Geometric Viewpoint

Descripción del artículo del vendedor

Detalles bibliográficos

Sinopsis

Acerca de

Acerca del autor

AHA-BUCH GmbH

Tarifas de envío de Alemania a Estados Unidos de America

Métodos de pago

Descripción de la tienda

Especialidad

Información empresarial del vendedor

Condiciones de venta

Derecho al desistimiento

Condiciones de envío