커널 밀도 추정(Kernel density estimation, KDE)은 기계학습에서 다양한 생성적 및 판별적 과제에 필수적으로 활용된다. 다변수 변분법의 도구들에 기반하여, 우리는 밀도비(density ratios)를 위한 표준 커널 밀도 추정에서 편향을 감소시키는 최적의 가중치 함수(optimal weight function)를 도출하며, 그 결과 예측 사후분포(prediction posteriors)와 정보이론적(information-theoretic) 측정치에 대한 추정을 개선한다. 또한 이러한 과정에서, 특히 KDE를 주요 구성 요소로 사용하는 알고리즘의 관점에서, 밀도 추정과 관련된 몇 가지 근본적인 측면들을 조명한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.