Nov, 2013

更多则更美：对于学习大高斯混合模型来说，维度的 Blessing

PDF
TL;DR本文证明已知的具有相同协方差矩阵和组成部分数量为固定次数多项式的高维混合高斯成分是多项式可学习的，但在低维空间下这种情况不可能存在。通过一种称为 Poissonization 的技术，将高维混合高斯成分变换为直接解决线性映射的问题。最后，我们将高维困难实例嵌入 ICA 设置中，建立了低维 ICA 的指数信息论下界。
gaussian mixturespolynomially learnablepoissonization-based techniquetensor decompositionsica
发现论文，激发创造
  • 高维高斯混合模型学习

    在高维情况下，使用平滑分析方法可以在多项式时间内使用多项式数量的样本学习带有随机扰动参数的高斯混合模型，通过利用高斯分布的高阶矩的组合结构并推导其对称性，探索新的高斯混合物的时刻张量的分解方法以及构建结构化随机矩阵的奇异值的下界。

    Mar, 2015

  • 分布族的多项式学习

    本文解决了高维度任意固定数目成分的高斯混合分布在多项式学习方面存在问题的问题，提供了降维方法来将学习高维混合分布降至低维学习问题，并利用实代数几何学工具提供了多项式族分布的学习方法。

    Apr, 2010

  • 高斯混合多项式可学习性的解决

    该论文提出了一种基于高斯混合模型的数据学习算法，可用于密度估计、数据聚类、高斯混合参数估计等问题，同时考虑了高维情况下的实际问题。

    Apr, 2010

  • 学习分离非球形高斯混合物

    本文提出了一种可以在多项式时间内确定高斯混合分布的组成部分的算法，其核心是 “距离集中” 结果，使用等周不等式，它们建立了根据混合分布生成的两个点之间的距离的概率分布的界限，同时还形式化了将高斯混合拟合到非结构化数据的最大似然问题。

    Mar, 2005

  • 高斯混合模型的强健可学习性

    本文介绍了学习高斯混合分布和算法鲁棒性统计的自然融合，提出了第一个可靠的算法，用于学习任意数量的高斯混合物，且仅需要混合权重（有界分数性）和成分之间的总变差距离与零保持一定距离的温和假设条件。算法的核心是一种新的方法，通过对某些生成函数应用一系列精心选择的微分运算来证明维度无关的多项式可辨识性，这些生成函数不仅编码了我们想要学习的参数，还编码了我们想要解决的多项式方程系统。我们展示了如何直接使用我们推导出的符号身份来分析自然的平方和松弛问题。

    Nov, 2020

  • 任意可簇合高斯混合模型的鲁棒学习

    研究了在高维高斯混合假设下，少量数据受到对手损坏的情况下的高效可学习性，提出了一种多项式算法并证明了在成分经过配对后在总变异距离上分离时，该问题是可多项式学习的；这种算法是第一个可处理 $k=2$ 的高斯混合问题的多项式时间算法，并使用基于 Sum-of-Squares 证明算法的技术，提出了一种新的用于高斯混合的鲁棒可辨识性证明方法和使用 SoS 可证明的反集中方法和新的特征距离度量组来解决问题。

    May, 2020

  • 高效分数匹配学习通用的高斯混合模型

    我们研究了学习混合高斯问题，通过扩大已有的扩散模型方法，提出了一种令人满意的采样算法。

    Apr, 2024

  • 高维函数拟合的 N 维高斯模型

    我们使用高斯混合模型构建了一种高效的显式表示方法，可以在短时间内优化和渲染复杂的外观，该方法能够应对高维度挑战和缺失细节，并适用于快速拟合和评估。

    May, 2024

  • 随机投影实验

    该研究阐述了随机投影的应用，作为降维技术来学习高斯混合模型，并通过实现合成和真实数据的广泛实验来说明此方法的可行性。

    Jan, 2013

  • 学习两个高斯混合的紧密界限

    本文介绍了一种基于矩估计的计算方法，并应用新颖且简单的降维技术将上界推广到任意维数 $d>1$，同时发现了一些样本复杂度较小的特殊情况，同时我们的结果也适用于在总变异距离上学习混合物的每个组件，其中我们的算法显著提高了样本复杂度。

    Apr, 2014