Kernel Density Estimation through Density Constrained Near Neighbor Search

Charikar, Moses; Kapralov, Michael; Nouri, Navid; Siminelakis, Paris

doi:10.1109/focs46700.2020.00025

Cited by 2 publications

(3 citation statements)

References 27 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu alat analisis yang digunakan dalam penelitian ini adalah kernel density estimation (KDE), yang memiliki kegunaan penting dalam memahami penyebaran titik api (Sartavie et al, 2022). KDE digunakan untuk menghasilkan visualisasi dan pemetaan dari titik-titik api yang terdeteksi, dengan tujuan untuk menentukan pola atau daerah yang rentan terhadap kebakaran hutan atau lahan (Charikar et al, 2020). Dengan penerapan metode deskriptif kuantitatif dan pemanfaatan data dari website FIRMS, diharapkan penelitian ini dapat memberikan pemahaman tentang penyebaran titik api di daerah Kota Kupang dan sekitarnya.…”

Section: Metodeunclassified

Analisis Spasial Titik Kebakaran Hutan dan Lahan di Kota Kupang dan Sekitarnya dengan Metode Kernel Density

2023

JPG

View full text Add to dashboard Cite

Dampak kebakaran hutan dan lahan membuat aktivitas manusia terganggu dan memunculkan data titik api yang dapat diamati dengan penginderaan jauh dan pengembangan analisis spasial berupa heat map pada peta. Data yang digunakan pada penelitian adalah informasi tentang koordinat geografis titik api, intensitas, dan waktu terjadinya kejadian yang diambil dari website FIRMS (Fire Information for Resource Management System). Tujuan dari penelitian adalah melihat pola spasial dan korelasi spasial kebakaran hutan dan lahan di kota kupang dan kabupaten kupang pada tahun 2010 sampai tahun 2022. Pola spasial akan dianalisa menggunakan kernel density estimation berupa bentuk titik api berdasarkan evaluasi jarak dan kontribusi lokal referensi dalam radius tertentu dengan jumlah titik api tertinggi. Berdasarkan analisis kernel density estimation, analisis menggunakan pemanfaatan kernel density dapat melihat daerah dengan munculnya titik api terbanyak di suatu daerah. Hasil analisis menunjukkan bahwa daerah Rabeka adalah area dengan munculnya titik api terbanyak, sementara daerah di sekitar Amarasi Barat juga tercatat sebagai daerah dengan tingkat kejadian titik api yang signifikan. Informasi ini memberikan wawasan penting mengenai daerah-daerah yang rentan terhadap kebakaran hutan atau sering terjadi munculnya titik api.

show abstract

Section: Metodeunclassified

Analisis Spasial Titik Kebakaran Hutan dan Lahan di Kota Kupang dan Sekitarnya dengan Metode Kernel Density

2023

JPG

View full text Add to dashboard Cite

show abstract

“…However, this line of work is incomparable to FGT, as it solves KDE in the low-accuracy regime, i.e., the runtime dependence on ε of these works is poly(1/ε) (but polynomial in d), as opposed to FGT (poly log(1/ε) but exponential in d). Additionally, some work (e.g., [CKNS20]) also needs an upper bound of the ground-truth value µ = K • q, and the efficiency of their data structure depends on µ −O(1) , while FGT does not need any prior knowledge of µ .…”

Section: Comparison To Lsh-based Kdes a Recent Line Of Work Due To [C...mentioning

confidence: 99%

“…has various applications in data analysis and statistics [FG96, SS02, SZK14], and is the main subroutine in the implementation of transfer learning using kernels (see [CS17,CKNS20] and references therin, and the Related Work section below). As such, speeding-up matrix-vector multiplication with kernel matrices, such as FGT, is an important question in theory and practice.…”

Section: Introductionmentioning

confidence: 99%

A Dynamic Fast Gaussian Transform

Huang¹,

Song²,

Weinstein³

et al. 2022

Preprint

View full text Add to dashboard Cite

The Fast Gaussian Transform (FGT) enables subquadratic-time multiplication of an n × n Gaussian kernel matrix K i,j = exp(− x i − x j 2 2 ) with an arbitrary vector h ∈ R n , where x 1 , . . . , x n ∈ R d are a set of fixed source points. This kernel plays a central role in machine learning and random feature maps. Nevertheless, in most modern ML and data analysis applications, datasets are dynamically changing, and recomputing the FGT from scratch in (kernel-based) algorithms, incurs a major computational overhead ( n time for a single source update ∈ R d ). These applications motivate the development of a dynamic FGT algorithm, which maintains a dynamic set of sources under kernel-density estimation (KDE) queries in sublinear time, while retaining Mat-Vec multiplication accuracy and speed.Our main result is an efficient dynamic FGT algorithm, supporting the following operations in log O(d) (n/ε) time: (1) Adding or deleting a source point, and (2) Estimating the "kerneldensity" of a query point with respect to sources with ε additive accuracy. The core of the algorithm is a dynamic data structure for maintaining the "interaction rank" between source and target boxes, which we decouple into finite truncation of Taylor series and Hermite expansions.

show abstract

Kernel Density Estimation through Density Constrained Near Neighbor Search

Cited by 2 publications

References 27 publications

Analisis Spasial Titik Kebakaran Hutan dan Lahan di Kota Kupang dan Sekitarnya dengan Metode Kernel Density

Analisis Spasial Titik Kebakaran Hutan dan Lahan di Kota Kupang dan Sekitarnya dengan Metode Kernel Density

A Dynamic Fast Gaussian Transform

Contact Info

Product

Resources

About