Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloEfficient global maximum likelihood estimation through kernel methods
Anno di pubblicazione2010
Formato-
Autore/iCristiano Cervellera; Danilo Macciò; Marco Muselli
Affiliazioni autoriCristiano Cervellera, Danilo Macciò: Istituto di Studi sui Sistemi Intelligenti per l'Automazione, Consiglio Nazionale delle Ricerche, Via de Marini 6, 16149 Genova, Italy Marco Muselli: Istituto di Elettronica e di Ingegneria dell'Informazione e delle Telecomunicazioni, Consiglio Nazionale delle Ricerche, Via de Marini 6, 16149 Genova, Italy
Autori CNR e affiliazioni
  • DANILO MACCIO'
  • CRISTIANO CERVELLERA VQR
  • MARCO MUSELLI VQR
Lingua/e
  • inglese
AbstractA new efficient technique for estimating probability densities from data through the application of the approximate global maximum likelihood (AGML) approach is proposed. It employs a composition of kernel functions to estimate the correct behavior of parameters involved in the expression of the unknown probability density. Convergence to the optimal solution is guaranteed by a deterministic learning framework when low discrepancy sequences are used to generate the centers of the kernels. Trials on mixture of Gaussians show that the proposed semi-local technique is able to efficiently approximate the maximum likelihood solution even in complex situations where implementations based on standard neural networks require an excessive computational cost.
Lingua abstract-
Altro abstract-
Lingua altro abstract-
Pagine da917
Pagine a925
Pagine totali-
RivistaNeural networks
Attiva dal 1988
Editore: Pergamon, - New York
Paese di pubblicazione: Stati Uniti d'America
Lingua: inglese
ISSN: 0893-6080
Titolo chiave: Neural networks
Titolo proprio: Neural networks
Titolo abbreviato: Neural netw.
Numero volume della rivista23
Fascicolo della rivista7
DOI10.1016/j.neunet.2010.03.003
Verificato da refereeSì: Internazionale
Stato della pubblicazione-
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000281005300014)
  • Scopus (Codice:2-s2.0-77955051561)
Parole chiaveMaximum likelihood estimation, Deterministic learning, Kernel models, Low-discrepancy sequences
Link (URL, URI)-
Titolo parallelo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • IEIIT — Istituto di elettronica e di ingegneria dell'informazione e delle telecomunicazioni
  • ISSIA — Istituto di studi sui sistemi intelligenti per l'automazione
Moduli CNR
    Progetti Europei-
    Allegati
    • Articolo pubblicato

    Dati storici
    I dati storici non sono modificabili, sono stati ereditati da altri sistemi (es. Gestione Istituti, PUMA, ...) e hanno solo valore storico.
    Area disciplinareComputer Science & Engineering
    Area valutazione CIVRIngegneria industriale e informatica
    Rivista ISINEURAL NETWORKS [07547J0]