kernel-density-estimation

本文通过将记忆表述为 Epanechnikov 核密度模态搜索，在 Riemann 流形上构建了内在的稠密联想记忆，表明曲率——借助 Ricci 曲率阈值与测地线容量标度律——决定了这类记忆会保留、创造和遗忘哪些内容，并在 WordNet 名词层级结构上进行了验证。

本文提出了一种摊销框架，用于在对数得分下学习核密度估计中的带宽选择，并在多种采样场景中显示出相较于经典方法的一致性能提升。

提出Cascade-KDE，一种无需训练的框架，利用二维核密度估计和截断期望来修复被分布外脉冲异常值污染的时间序列，同时保留局部结构和导数特征。