Zobrazeno 1 - 10
of 35
pro vyhledávání: '"Squared-loss mutual information"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Masashi Sugiyama
Publikováno v:
Entropy, Vol 15, Iss 1, Pp 80-112 (2012)
Mutual information (MI) is useful for detecting statistical independence between random variables, and it has been successfully applied to solving various machine learning problems. Recently, an alternative to MI called squared-loss MI (SMI) was intr
Externí odkaz:
https://doaj.org/article/0df220e945de418d85a81f69e0dc4a51
Autor:
Jaume Riba, Ferran De Cabrera Estanyol
Publikováno v:
IEEE Transactions on Information Theory. :1-1
This paper aims to estimate the information between two random phenomena by using consolidated second-order statistics tools. The squared-loss mutual information, a surrogate of the Shannon mutual information, is chosen due to its property of being e
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::7795ee0bdd58a610a76c00b1170d9f0b
https://doi.org/10.1109/tit.2023.3258182
https://doi.org/10.1109/tit.2023.3258182
Autor:
Jaume Riba, Ferran de Cabrera
Publikováno v:
ICASSP
UPCommons. Portal del coneixement obert de la UPC
Universitat Politècnica de Catalunya (UPC)
UPCommons. Portal del coneixement obert de la UPC
Universitat Politècnica de Catalunya (UPC)
Squared-loss mutual information (SMI) is a surro- gate of Shannon mutual information that is more advantageous for estimation. On the other hand, the coherence matrix of a pair of random vectors, a power-normalized version of the sample cross-covaria
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::412c9f192f9acdc8c55775a10d8f9a3f
https://hdl.handle.net/2117/185713
https://hdl.handle.net/2117/185713
Autor:
Masashi Sugiyama, Masayuki Karasuyama
Publikováno v:
Neural Networks. 34:46-55
Canonical correlation analysis (CCA) is a classical dimensionality reduction technique for two sets of variables that iteratively finds projection directions with maximum correlation. Although CCA is still in vital use in many practical application a
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::e487c02d82bceaf7bd14e12ffc59839b
https://doi.org/10.1016/j.neunet.2012.06.009
https://doi.org/10.1016/j.neunet.2012.06.009
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.