arXiv cs.AI· Avi Amalanshu, Chandler Squires, Yizhou Lu, Pradeep Ravikumar·· 13 小时前AI 评分18
密度比估计新视角：期望对数密度比（ELDR）的估计方法与局限
Estimating Implicit Expected Log Density Ratios
AI 导读
论文提出期望对数密度比（ELDR）概念，即在第三种测度下积分的对数密度比，并证明有限样本 ELDR 估计存在根本性限制，指出常规密度比估计（DRE）方法并不适用于 ELDR 任务。作者提出对部分 DRE 方法做简单修改，让收敛到积分分布的样本进入训练数据，基准测试显示可降低 ELDR 估计误差。
正文 · AI 翻译
摘要：当无法计算精确概率时，\emph{密度比估计（DRE）}是密度比出现的广泛应用中的关键子程序，从实验设计到生成建模和强化学习。在本文中，我们引入了\emph{期望对数密度比（ELDR）}的概念：即在某个第三、可能不同的测度下积分的对数密度比。我们表明，许多隐式密度问题中朴素使用 DRE 的实际上是 ELDR 估计任务，并证明了有限样本 ELDR 估计的基本局限性。基于这些结果，我们认为典型的基于 DRE 的方法不适合 ELDR 估计，并为定制 ELDR 估计器提供了一些基础性动机。为了演示，我们提出对某些 DRE 方法的简单修改，使收敛到积分分布的样本出现在训练数据中。我们通过基准测试表明，这可以改善 ELDR 估计误差。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.38151 [cs.LG] |
| （或 arXiv:2610.38151v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.38151 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Avi Amalanshu [查看电子邮件]
[v1]
2026年10月28日星期三 01:35:32 UTC（5,553 KB）
来源：arXiv cs.AI · arxiv.org