Estimation of the Entropy Functional from Dependent Samples
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The differential entropy is importantly used in many disciplines, where the estimation of entropy is often the main research objective or the first step toward it. To estimate entropy, plug-in estimators, such as histogram based entropy estimators or kernel based entropy estimators, are commonly used. Especially, though the histogram itself performs poorly in estimating density, the histogram based entropy estimator is often employed due to its computational benefit. Many efforts have been made to understand the properties of the histogram based entropy estimator theoretically, but most of such efforts are restricted to the case of independently and identically distributed (IID) samples. In this article, we show that two histogram-based entropy estimators by Gyórfi and van der Meulen (Citation1987) are almost surely consistent when samples are from a φ-mixing process. A limited simulation study is implemented to compare those two estimators and to investigate their performance for varying intensity of dependency. In addition, we discuss the extension of -consistency of the estimators in IID setting by Hall (Citation1990) to the case of dependent samples. Keywords: Dependent samplesDifferential entropyEntropy estimationHistogramφ-mixingMathematics Subject Classification: Primary 62G05Secondary 62G20 Acknowledgment We are grateful to the editor and referees for many helpful suggestions. Johan Lim was supported by Basic Science Research Fund from College of Economics at Yonsei University.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle