Approximation of Information Divergences for Statistical Learning with Applications

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43110%2F18%3A43914095" target="_blank" >RIV/62156489:43110/18:43914095 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216208:11320/18:10383747

Výsledek na webu

<a href="https://doi.org/10.1515/ms-2017-0177" target="_blank" >https://doi.org/10.1515/ms-2017-0177</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1515/ms-2017-0177" target="_blank" >10.1515/ms-2017-0177</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Approximation of Information Divergences for Statistical Learning with Applications

Popis výsledku v původním jazyce

In this paper we give a partial response to one of the most important statistical questions, namely, what optimal statistical decisions are and how they are related to (statistical) information theory. We exemplify the necessity of understanding the structure of information divergences and their approximations, which may in particular be understood through deconvolution. Deconvolution of information divergences is illustrated in the exponential family of distributions, leading to the optimal tests in the Bahadur sense. We provide a new approximation of I-divergences using the Fourier transformation, saddle point approximation, and uniform convergence of the Euler polygons. Uniform approximation of deconvoluted parts of I-divergences is also discussed. Our approach is illustrated on a real data example.

Název v anglickém jazyce

Approximation of Information Divergences for Statistical Learning with Applications

Popis výsledku anglicky

In this paper we give a partial response to one of the most important statistical questions, namely, what optimal statistical decisions are and how they are related to (statistical) information theory. We exemplify the necessity of understanding the structure of information divergences and their approximations, which may in particular be understood through deconvolution. Deconvolution of information divergences is illustrated in the exponential family of distributions, leading to the optimal tests in the Bahadur sense. We provide a new approximation of I-divergences using the Fourier transformation, saddle point approximation, and uniform convergence of the Euler polygons. Uniform approximation of deconvoluted parts of I-divergences is also discussed. Our approach is illustrated on a real data example.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Mathematica Slovaca

ISSN

0139-9918

e-ISSN

—

Svazek periodika

68

Číslo periodika v rámci svazku

5

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

24

Strana od-do

1149-1172

Kód UT WoS článku

000448428200020

EID výsledku v databázi Scopus

2-s2.0-85056142913