×
罗曼·纪尧姆;迪迪埃·杜布瓦

不完全数据下最大似然推理的最小最大遗憾方法。 （英语） Zbl 1445.68217号

国际J近似推理 121, 135-149 (2020).
摘要：提出了各种方法来表示和解决不完全数据的最大似然问题。在其中一些方法中，其思想是不完整性使似然函数不精确。可以找到两种方法来处理这种情况：最大值法，最大化与不完全观测兼容的精确数据集所诱导的最大似然值，以及最大化最小似然值的最大值法。这些方法被证明在某些情况下表现出极端行为，maximax方法有消除数据歧义的倾向，而maximin方法则倾向于均匀分布。在本文中，我们提出了一种替代方法，该方法包括最小化与粗数据兼容的所有精确数据集获得的最大似然解相关的相对遗憾准则。与maximax和maximin方法相比，min-max-require方法依赖于比较相对可能性，并获得在其他两种方法的结果之间取得平衡的结果。在玩具示例、模拟随机数据和监督分类问题上对这些方法进行了比较。

引用于4文件

MSC公司：

68层37 人工智能背景下的不确定性推理

关键词：

最大似然;不完整的数据;最遗憾的事
PDF格式BibTeX公司 XML格式引用
\textit{R.Guillaume}和\textit{D.Dubois}，国际J.近似推理121，135--149（2020；Zbl 1445.68217）
全文： 内政部

参考文献：

[1] Bellman，R.E。；Zadeh，L.A.，《模糊环境中的决策》，Manag。科学。，17，B141-B164（1970）·Zbl 0224.90032号
[2] 库索，I。；Dubois，D.，不完全数据下最大化可能性的一般框架，Int.J.近似原因。，93, 238-260 (2018) ·Zbl 1452.68205号
[3] Dawid，A.P。；Dickey，J.M.，《选择性报告数据的可能性和贝叶斯推断》，美国统计协会，72，845-850（1977）·Zbl 0372.62025号
[4] Dempster，A.P.，《多值映射诱导的上下概率》，《数学年鉴》。Stat.，38，325-339（1967）·Zbl 0168.17501号
[5] Dempster，A.P。；新墨西哥州莱尔德。；Rubin，D.B.，《通过EM算法从不完整数据中获得最大似然》（带讨论），J.R.Stat.Soc.B，39，1-38（1977）·Zbl 0364.62022号
[6] Denoeux，T.，信念函数框架中不确定数据的最大似然估计，IEEE Trans。知识。数据工程，26，119-130（2013）
[7] Dubois，D。；Gilio，A。；Kern Isberner，G.，无先验的概率诱拐，Int.J.近似原因。，47, 3, 333-351 (2008) ·Zbl 1184.68506号
[8] Dubois，D。；普拉德，H。；Smets，P.，《主观可能性的定义》，《国际期刊近似理由》。，48, 352-364 (2008) ·兹比尔1184.68507
[9] 爱德华兹，A.W.F.，《可能性》（1972），剑桥大学出版社·Zbl 0231.62005号
[10] Feo，T.A。；Resende，M.G.C.，贪婪随机自适应搜索程序，J.Glob。优化。，6, 2, 109-133 (1995) ·Zbl 0822.90110号
[11] Grabisch，M.，决策中的集合函数、博弈和能力（2016），施普林格出版社·Zbl 1339.91003号
[12] 纪尧姆，R。；Dubois，D.，《模糊区间观测下密度函数的稳健参数估计》，（第九届国际不精确概率研讨会论文集：理论与应用（ISIPTA 2015）。第九届国际不精确概率研讨会：理论与应用（ISIPTA 2015），意大利佩斯卡拉（2015），147-156
[13] 纪尧姆，R。；库索，I。；Dubois，D.，《基于稳健优化的粗数据最大似然法》，（第十届国际不精确概率研讨会论文集：理论与应用（ISIPTA 2017）。第十届国际不精确概率研讨会（ISIPTA 2017），瑞士卢加诺。第10届国际不精确概率研讨会：理论与应用（ISIPTA 2017）。第10届国际不精确概率研讨会：理论与应用（ISIPTA 2017），瑞士卢加诺。机器学习研究，第62卷（2017年），169-180
[14] 纪尧姆，R。；Dubois，D.，《基于最小最大遗憾的粗数据下推断的最大似然方法》（Destercke，S.等，《数据科学中的不确定性建模》，2018年《SMPS汇编》。数据科学中的不确定性建模，Proc。2018年SMPS，法国Compiègne。数据科学中的不确定性建模，Proc。2018年SMPS。数据科学中的不确定性建模，Proc。SMPS 2018，法国Compiègne，《智能系统和计算进展》，第832卷（2019年），Springer），99-106
[15] 哈达德，M。；Leray，P。；Ben Amor，N.，《可能性MDL：一种新的基于可能性可能性的不精确数据得分函数》（Proc.ECSQARU（2017）），435-445·Zbl 1491.68237号
[16] 海特詹，D.F。；鲁宾，D.B.，《可忽略性和粗略数据》，《Ann.Stat.》，第19期，第2244-253页（1991年）·Zbl 0745.62004号
[17] Hüllermier，E.，《从不精确和模糊观察中学习：通过广义损失最小化消除数据歧义》，《国际期刊近似推理》。，551519-1534（2014）·Zbl 1407.68396号
[18] Hüllermier，E。；Destercke，S。；Couso，I.，《从不精确数据中学习：乐观和悲观变量的调整》，（《可扩展的不确定性管理》，第13届国际会议，《可扩展不确定性管理”，第13期国际会议，2019年汇总》。可扩展不确定性管理，Proc。第13届国际会议，可扩展不确定性管理，Proc。第13届国际会议，2019年汇总，LNCS，第11940卷（2019年），施普林格），266-279
[19] Jaeger，M.，《从不完整数据中学习的AI&M程序》（Proc.Understance In Artificial Intelligence Conference（UAI-06）（2006）），225-232
[20] Kullback，S.，《信息理论与统计》（1959年），《约翰·威利父子：约翰·威利和儿子纽约》·Zbl 0149.37901号
[21] Shafer，G.，《证据的数学理论》（1976），普林斯顿大学出版社·兹比尔0359.62002
[22] Smets，P.，《在不确定性背景下构建pignistic概率函数》，（Henrion，M.等，《人工智能中的不确定性》，第5卷（1990年），北荷兰：北荷兰阿姆斯特丹），29-39·兹比尔0721.68065
[23] Tanaka，H。；Okuda，T。；Asai，K.，《模糊数学规划》，J.Cybern。，3, 37-46 (1974) ·Zbl 0297.90098号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。