Newest papers

Nonparametric autoregressive estimation of probability distributions with parallel gradient boosting

Rémy Chapelle · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31524 · open-access PDF

French

L'estimation non paramétrique des distributions de probabilité articulées est un problème fondamental dans les statistiques, qui est notoirement difficile avec les données haute dimension. De tels défis surviennent également avec l'estimation de la distribution conditionnelle et ont conduit à des algorithmes flexibles qui visent à faire face à la "malédiction de la dimensionnalité" en exploitant des structures prédictives de dimension inférieure à l'espace ambiant. Dans ce document, nous étudions l'utilisation de tels estimateurs de distribution conditionnelle pour estimer les distributions articulaires en factorialisant ces dernières d'une manière "autorégressive".

Machine translation (Meta M2M100); the English original follows.

Abstract

Nonparametric estimation of joint probability distributions is a core problem in statistics, which is notoriously challenging with high-dimensional data. Such challenges also arise with conditional distribution estimation and have led to flexible algorithms that aim to tackle the ''curse of dimensionality'' by exploiting predictive structures of lower dimension than the ambient space. In this paper, we study the use of such conditional distribution estimators to estimate joint distributions by factorizing the latter in an ''autoregressive'' way. We show that for loss functions satisfying a sub

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange