抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ロバスト仮説試験の問題を研究し,そこでは,ヌルと代替仮説の下で,データ生成分布を,いくつかの不確実性集合で仮定し,そして,目標は,不確実性集合上の最悪ケース分布の下で良好に機能する試験を設計することである。本論文では,不確実性集合をカーネル法を用いてデータ駆動方式で構築し,すなわち,それらはそれぞれヌルおよび代替仮説から訓練サンプルの経験的分布の周りに中心を置く。そして,再生カーネルHilbert空間,すなわち最大平均不一致(MMD)における分布のカーネル平均埋込み間の距離によって制約される。Bayes設定とNeyman-Pearson設定を研究した。目標が最悪ケース誤差確率を最小化するために,Bayes設定のために,アルファベットが有限であるとき,最適試験を最初に得た。アルファベットが無限である場合,最悪ケース平均誤差確率を定量化するための扱いやすい近似を提案し,カーネル平滑化法をさらに適用して,サンプルに一般化する試験を一般化した。直接ロバストカーネル試験も提案し,指数関数的に一致することを証明した。目標が誤り警報の最悪ケース確率の制約を受ける誤検出の最悪ケース確率を最小化することを目標とするNeyman-ピアソン設定のために,効率的ロバストカーネルテストを提案して,漸近的に最適であることを示した。提案したロバスト試験の性能を実証するために数値結果を提供した。【JST・京大機械翻訳】