BriefGPT - AI 论文速递
·
关于具有指数，亚高斯和一般轻尾的算法的高概率分析的注意事项
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了次Weibull分布，它的尾部轻于或同样轻于Weibull分布的右尾。次Weibull分布由正的尾部指数参数化，参数为1/2时减少了亚高斯分布，参数为1时减少了亚指数分布。研究了该分布的属性，并提出了尾部参数的估计过程。
🎯
关键要点
- 次Weibull分布的概念提出，其尾部轻于或同样轻于Weibull分布的右尾。
- 次Weibull分布由正的尾部指数参数化，参数为1/2时减少了亚高斯分布，参数为1时减少了亚指数分布。
- 提供了基于矩和矩生成函数的次Weibull属性的特征。
- 研究了次Weibull分布的属性。
- 提出了尾部参数的估计过程，并应用于贝叶斯深度学习的示例。
➡️
