学习两个高斯混合的紧密界限

Apr, 2014

Tight bounds for learning a mixture of two gaussians

Moritz Hardt, Eric Price

TL;DR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。

Abstract

We consider the problem of identifying the parameters of an unknown mixture of two arbitrary $d$-dimensional gaussians from a sequence of independent random samples. Our main results are upper and lower bounds giving a computationally efficient moment-based estimator with an optimal co

gaussian mixture moment-based estimator sample complexity dimensionality reduction total variation distance

发现论文，激发创造

用多项式数量的样本来隐私学习高斯混合模型

在满足差分隐私的约束下，研究了估计混合高斯模型问题。通过使用新的框架，证明了高斯模型类的混合模型是可私密学习的，得到了估计混合高斯模型所需的样本数量的有界性，且不对 GMMs 作出任何结构性假设。

Sep, 2023

高斯混合模型适当学习的更快速、近乎最优的算法

提出一种无需可分离性假设就能准确学习两个单维高斯混合模型的算法，其样本复杂度优于现有算法，能够有效地处理假设选择的问题。

Dec, 2013

学习有界协方差高斯混合模型的 SQ 下界

本论文研究了学习具有相同未知有界协方差矩阵的分离高斯混合模型的复杂性，证明了该问题的任何统计查询算法至少需要 d 的阶次 1/ε 的复杂度，这为已知算法的最佳性提供了证据。

Jun, 2023

学习分离明显高斯混合物

研究学习高斯分布混合物，当分量分离良好时，需要解决分量之间最小分离的问题，并提出了一个新的算法来处理分量之间分离程度的限制，该算法可以通过粗略的估计获得准确的参数。

Oct, 2017

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

更好、更简单的差分隐私统计估计下界

通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

Oct, 2023

球形高斯混合物的近最优样本估计器

提供了一种高效的样本多项式时间估计器，用于高维球形高斯混合模型中，从而显着降低了时间和样本复杂度，并且还提出了针对一维混合模型的简单估计器及一种更快的算法，用于从一组分布中选择密度估计。

Feb, 2014

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

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

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