Approximate fusion of probability density functions using Gaussian copulas
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43969664" target="_blank" >RIV/49777513:23520/23:43969664 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.23919/FUSION52260.2023.10224201" target="_blank" >https://doi.org/10.23919/FUSION52260.2023.10224201</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.23919/FUSION52260.2023.10224201" target="_blank" >10.23919/FUSION52260.2023.10224201</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Approximate fusion of probability density functions using Gaussian copulas
Popis výsledku v původním jazyce
Subjective Bayesian estimation perceives probability density functions as expert opinions. Among various rules for combining the opinions, the product and the weighted geometric mean of densities are prominent. Nevertheless, closed-form representations are scarce and non-parametric approaches often suffer from the curse of dimensionality. This paper prospects the fusion of densities represented by non-parametric marginal densities and a parametric Gaussian copula. The explicit reconstruction of the joint densities followed by an optimisation step is avoided. A cheap approximate combination is proposed instead. The combination of marginal densities is tuned by a Gaussian term, while the proposed copula parameter uses moments of the marginal densities. The presented examples illustrate the approximative nature of the approach for non-Gaussian densities and highlight some numerical issues.
Název v anglickém jazyce
Approximate fusion of probability density functions using Gaussian copulas
Popis výsledku anglicky
Subjective Bayesian estimation perceives probability density functions as expert opinions. Among various rules for combining the opinions, the product and the weighted geometric mean of densities are prominent. Nevertheless, closed-form representations are scarce and non-parametric approaches often suffer from the curse of dimensionality. This paper prospects the fusion of densities represented by non-parametric marginal densities and a parametric Gaussian copula. The explicit reconstruction of the joint densities followed by an optimisation step is avoided. A cheap approximate combination is proposed instead. The combination of marginal densities is tuned by a Gaussian term, while the proposed copula parameter uses moments of the marginal densities. The presented examples illustrate the approximative nature of the approach for non-Gaussian densities and highlight some numerical issues.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA22-11101S" target="_blank" >GA22-11101S: Tenzorový rozklad v aktivní diagnostice poruch pro stochastické rozlehlé systémy</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 2023 26th International Conference on Information Fusion
ISBN
979-8-89034-485-4
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1-7
Název nakladatele
IEEE
Místo vydání
Charleston, USA
Místo konání akce
Charleston, Jižní Karolína, USA
Datum konání akce
27. 6. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—