वतनबे की चर्चा को समझने के लिए, यह महसूस करना महत्वपूर्ण है कि "विलक्षणता" से उनका क्या मतलब है। (सख्त) विलक्षणता उनके सिद्धांत में एकवचन मीट्रिक की ज्यामितीय धारणा के साथ मेल खाती है।
p.10 [वातानाबे]: "एक सांख्यिकीय मॉडल अगर यह पहचान योग्य है और नियमित रूप से होना कहा जाता है एक सकारात्मक निश्चित मीट्रिक के लिए सांख्यिकीय मॉडल नियमित नहीं है, तो यह सख्ती से विलक्षण कहा जाता है।।"p ( x ∣ w )
व्यवहार में, विलक्षणता आमतौर पर तब पैदा होती है जब फिशर सूचना मीट्रिक द्वारा मॉडल से प्रेरित कई गुना कम मॉडल या "मशीन लर्निंग" कार्यों में कम रैंक या विरल मामलों की तरह, मॉडल से प्रेरित होता है।
वातानाबे ने आनुभविक केएल विचलन के अभिसरण के बारे में जो कहा उसके सिद्धांत को निम्न प्रकार से समझा जा सकता है। विचलन की धारणा का एक मूल मजबूत आंकड़ों से आता है। एम आकलनकर्ता है, जो इसके विपरीत समारोह के साथ एक विशेष मामले के रूप MLE शामिल , आम तौर पर कमजोर टोपोलॉजी का उपयोग कर चर्चा कर रहे हैं। अंतरिक्ष एम ( एक्स ) पर कमजोर टोपोलॉजी का उपयोग करके अभिसरण व्यवहार पर चर्चा करना उचित है (पोलिश जेट एक्स से परिभाषित सभी संभव उपायों का कई गुना )ρ ( θ , δ( एक्स)) ) = - लॉगपी ( एक्स)| Θ )म( एक्स))एक्स) क्योंकि हम MLE के दृढ़ता व्यवहार का अध्ययन करना चाहते हैं। [ह्यूबर] में एक शास्त्रीय प्रमेय ने कहा कि अलग-अलग विचलन समारोह । inf | θ - θ 0 | ≥ ε ( | डी ( θ 0 , θ ) - डी ( θ 0 , θ 0 ) | ) > 0डी ( θ0, Θ ) = ईθ0ρ ( θ , δ)
inf| θ- θ0| ≥ε( | डी ( θ0, Θ ) - डी ( θ0, θ0) | ) > 0
और विचलन के विपरीत समारोह का अच्छा अनुभवजन्य सन्निकटन,
नियमितता के साथ, हम अर्थ में स्थिरता पैदा कर सकते हैं
^ θ n :=argसुड़कनाθ|||1nΣमैंρ ( θ , δ( एक्स)मैं) ) - डी ( θ0, Θ ) |||→ 0 , n → ∞
की ओर अभिसरित जाएगा
θ 0 संभावना में
पी θ 0 । इस परिणाम के लिए और अधिक सटीक स्थितियों की आवश्यकता होती है यदि हम बेओसियन अनुमानक की कमजोर संगति में Doob के परिणाम [Doob] के साथ तुलना करते हैं।
θn^: = एक आर जीm i nθρ ( θ , δ( एक्स)n))
θ0Pθ0
तो यहाँ बेयसियन अनुमानक और MLE डायवर्ज। यदि हम अभी भी बेयसियन अनुमानकों की निरंतरता पर चर्चा करने के लिए कमजोर टोपोलॉजी का उपयोग करते हैं, तो यह अर्थहीन है क्योंकि बायेसियन अनुमानक हमेशा (संभावना के साथ) डोब द्वारा संगत होंगे। इसलिए एक अधिक उपयुक्त टोपोलॉजी श्वार्ज वितरण टोपोलॉजी है जो कमजोर डेरिवेटिव और वॉन मेयस के सिद्धांत को खेलने की अनुमति देता है। इस विषय पर बैरन की एक बहुत अच्छी तकनीकी रिपोर्ट थी कि हम कैसे सुसंगतता प्राप्त करने के लिए श्वार्ट्ज प्रमेय का उपयोग कर सकते हैं।
D
"एकवचन सीखने का परिणाम" प्रभावित होता है, क्योंकि जैसा कि हम देखते हैं, डोब की निरंतरता प्रमेय यह सुनिश्चित करता है कि बेयसियन अनुमानक कमजोर टोपोलॉजी में कमजोर अनुरूप (यहां तक कि एकवचन मॉडल में) हों, जबकि एमएलई को उसी टोपोलॉजी में कुछ आवश्यकताओं को पूरा करना चाहिए।
सिर्फ एक शब्द, [वातानाबे] शुरुआती लोगों के लिए नहीं है। वास्तविक विश्लेषणात्मक सेटों पर इसके कुछ गहरे निहितार्थ हैं, जिनमें अधिकांश सांख्यिकीविदों की तुलना में अधिक गणितीय परिपक्वता की आवश्यकता होती है, इसलिए उचित मार्गदर्शन के बिना इसे पढ़ना शायद अच्छा नहीं है।
■
[वतनबे] वतनबे, सुमियो। बीजगणितीय ज्यामिति और सांख्यिकीय शिक्षा सिद्धांत। वॉल्यूम। 25. कैम्ब्रिज यूनिवर्सिटी प्रेस, 2009।
[ह्यूबर] ह्यूबर, पीटर जे। "गैरजरूरी परिस्थितियों में अधिकतम संभावना अनुमानों का व्यवहार।" गणितीय सांख्यिकी और संभाव्यता पर पांचवें बर्कले संगोष्ठी की कार्यवाही। वॉल्यूम। 1. नंबर 1. 1967।
[डोब] डोब, जोसेफ एल। "शहीदों के सिद्धांत का अनुप्रयोग।" ले गणना डेस प्रोबेबिलिट्स एट सीएस एप्लीकेशन (1949): 23-27।