Questions tagged «laplace-distribution»

在询问有关Laplace分布的问题时使用此标签。这种概率分布有时称为双指数分布(不要与Gumbel分布混淆)。

3
此发行版有名称吗?
今天我想到,分布 可以看作是高斯和拉普拉斯之间的折衷分布,对于和这样的分布有名称吗?它是否有一个标准化常数的表达式?结石树桩我,因为我不知道如何甚至开始求解在积分 1 = c ^ ·&∫ ∞ - ∞ EXP ( - | X - μ | pX∈[R ,p∈[1,2]β>0Çf(x)∝exp( - |x−μ|pβ)f(x)∝exp⁡(-|X-μ|pβ) f(x)\propto\exp\left(-\frac{|x-\mu|^p}{\beta}\right) x∈R,p∈[1,2]x∈R,p∈[1,2]x\in\mathbb{R}, p\in[1,2]β>0.β>0.\beta>0.CCC1=C⋅∫∞−∞exp(−|x−μ|pβ)dx1=C⋅∫−∞∞exp⁡(−|x−μ|pβ)dX 1=C\cdot \int_{-\infty}^\infty \exp\left(-\frac{|x-\mu|^p}{\beta}\right) dx

2
为什么拉普拉斯事前生产稀疏解决方案?
我浏览了有关正则化的文献,经常看到一些段落将L2重新调节与高斯先验联系起来,将L1与拉普拉斯联系起来的中心是零。 我知道这些先验的样子,但我不知道它如何转换为线性模型中的权重。在L1中,如果我理解正确,我们期望稀疏解,即某些权重将被精确地推为零。在L2中,我们获得较小的权重,但没有获得零权重。 但是为什么会发生呢? 如果需要提供更多信息或阐明我的思路,请发表评论。

1
如果LASSO等于用拉普拉斯先验进行线性回归,那么在分量为零的集合上如何有质量?
我们都熟悉在文献中有充分记载的概念,即LASSO优化(为简单起见,这里仅将注意力集中在线性回归的情况下) 等效于具有高斯误差的线性模型,在线性模型中,参数被赋予了拉普拉斯先验 \ exp(-\ lambda \ | \ beta \ | _1) 我们也知道,较高的那个会设置调整参数,\ lambda,参数的较大部分将设置为零。话虽如此,我有以下思想问题:升Ô 小号小号 =∥ÿ- Xβ∥22+ λ ∥ β∥1个升Øss=‖ÿ-Xβ‖22+λ‖β‖1个 {\rm loss} = \| y - X \beta \|_2^2 + \lambda \| \beta \|_1 经验值(- λ ∥ β∥1个)经验值⁡(-λ‖β‖1个) \exp(-\lambda \| \beta \|_1 ) λλ\lambda 考虑到从贝叶斯的角度来看,我们可以计算出后验概率,即非零参数估计值位于任何给定的时间间隔集合中,并且 LASSO设置为零的参数等于零。让我感到困惑的是,假设拉普拉斯先验是连续的(实际上是绝对连续的),那么在集合上如何有任何质量是\ {0 \}处的间隔和单例的乘积{ 0 }{0}\{0\}?

2
哪些进程可以生成拉普拉斯分布的(双指数)数据或参数?
许多发行版都有“起源神话”,或者它们很好地描述了物理过程的示例: 您可以通过中央极限定理从不相关错误的总和中获得正态分布的数据 您可以从独立硬币翻转中获得二项分布的数据,也可以从该过程的限制中获得泊松分布的变量 您可以在恒定衰减率下从等待时间获得指数分布的数据。 等等。 但是拉普拉斯分布呢?它对L1正则化和LAD回归很有用,但是对于我来说,很难想到一个人应该自然期望看到的情况。扩散将是高斯的,我能想到的所有具有指数分布(例如等待时间)的示例都包含非负值。


2
两个普通乘积之和是拉普拉斯?
它显然是的情况下,如果X一世〜ñ(0 ,1 )Xi∼N(0,1)X_i \sim N(0,1),然后 X1个X2+ X3X4〜大号一个p 升一Ç ë (0 ,1 )X1X2+X3X4∼Laplace(0,1)X_1 X_2 + X_3 X_4 \sim \mathrm{Laplace(0,1)} 我看过关于任意二次形式的论文,这些总是导致可怕的非中心卡方表达式。 上面的简单关系对我来说似乎一点都不明显,所以(如果是真的!)有人能简单证明上面的关系吗?


2
“拉普拉斯噪声”是什么意思?
我目前正在使用Laplace机制编写差分隐私算法。 不幸的是,我没有统计学背景,因此我不知道很多术语。因此,现在我对术语“ 拉普拉斯噪声”不休。为了使数据集微分私有,所有论文都只是讨论根据函数的Laplace分布添加Laplace噪声。 k(X)=f(X)+Y(X)k(X)=f(X)+Y(X)k(X) = f(X) + Y(X) (k是微分私有值,f是评估函数返回的值,Y是拉普拉斯噪声) 这是否意味着我根据Wikipedia https://en.wikipedia.org/wiki/Laplace_distribution的功能从Laplace分布中创建随机变量? Y=μ−b sgn(U)ln(1−2|U|)Y=μ−b sgn(U)ln⁡⁡(1−2|U|) Y = μ − b\ \text{sgn}(U) \ln ⁡ ( 1 − 2 | U | ) 更新:我从上面的函数中绘制了多达100个随机变量,但这并没有给我拉普拉斯分布(甚至不接近)。但是我认为它应该为拉普拉斯分布建模。 UPDATE2: 这些是我的定义: (拉普拉斯机制)。给定任何函数f:N|X|→Rkf:N|X|→Rkf:N^{|X|}→R^k,拉普拉斯机制定义为:ML(x,f(⋅),ϵ)=f(x)+(Y1,...,Yk)ML(x,f(·),ϵ)=f(x)+(Y1,...,Yk)M_L(x, f(·),\epsilon)=f(x)+(Y_1,...,Y_k),其中Y是从Lap(∆f / \ epsilon)得出的iid随机变量Lap(Δf/ϵ)Lap(∆f/ϵ)Lap(∆f/\epsilon) 以及: 要生成Y(X),通常的选择是使用均值为零且标度参数为((f)/ε)的拉普拉斯分布

1
带拉普拉斯误差的线性回归
考虑线性回归模型: yi=xi⋅β+εi,i=1,…,n,yi=xi⋅β+εi,i=1,…,n, y_i = \mathbf x_i \cdot \boldsymbol \beta + \varepsilon _i, \, i=1,\ldots ,n, 其中εi∼L(0,b)εi∼L(0,b)\varepsilon _i \sim \mathcal L(0, b),即,具有000均值的拉普拉斯分布和bbb标度参数都是相互独立的。考虑未知参数\ boldsymbol \ beta的最大似然估计ββ\boldsymbol \beta: −logp(y∣X,β,b)=nlog(2b)+1b∑i=1n|xi⋅β−yi|−log⁡p(y∣X,β,b)=nlog⁡(2b)+1b∑i=1n|xi⋅β−yi| -\log p(\mathbf y \mid \mathbf X, \boldsymbol \beta, b) = n\log (2b) + \frac 1b\sum _{i=1}^n |\mathbf x_i \cdot \boldsymbol \beta - y_i| 从其中 …
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.