Nonparametric estimations and the diffeological Fisher metric
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985840%3A_____%2F21%3A00544050" target="_blank" >RIV/67985840:_____/21:00544050 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-030-77957-3_7" target="_blank" >http://dx.doi.org/10.1007/978-3-030-77957-3_7</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-77957-3_7" target="_blank" >10.1007/978-3-030-77957-3_7</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Nonparametric estimations and the diffeological Fisher metric
Popis výsledku v původním jazyce
In this paper, first, we survey the concept of diffeological Fisher metric and its naturality, using functorial language of probabilistic morphisms, and slightly extending Lê’s theory in [Le2020] to include weakly Ck-diffeological statistical models. Then we introduce the resulting notions of the diffeological Fisher distance, the diffeological Hausdorff–Jeffrey measure and explain their role in classical and Bayesian nonparametric estimation problems in statistics.
Název v anglickém jazyce
Nonparametric estimations and the diffeological Fisher metric
Popis výsledku anglicky
In this paper, first, we survey the concept of diffeological Fisher metric and its naturality, using functorial language of probabilistic morphisms, and slightly extending Lê’s theory in [Le2020] to include weakly Ck-diffeological statistical models. Then we introduce the resulting notions of the diffeological Fisher distance, the diffeological Hausdorff–Jeffrey measure and explain their role in classical and Bayesian nonparametric estimation problems in statistics.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10101 - Pure mathematics
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2021
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
Geometric Structures of Statistical Physics, Information Geometry, and Learning
ISBN
978-3-030-77956-6
ISSN
2194-1009
e-ISSN
—
Počet stran výsledku
19
Strana od-do
120-138
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Les Houches
Datum konání akce
27. 7. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—