Nov, 2016

填补空缺：来自带噪声、截断或不完整样本的高斯混合模型

PDF
TL;DR通过 GMMis 方法，可以推断出天文数据中存在的不完整信息并从当前模型进行同时填补缺失值，该方法可以应用于任意截断几何和概率拒绝算法的情况，同时考虑每个观测样本的独立多元正态测量误差和一个纯净的误差分布估计，基于此方法，在不同类型的不完整数据测试和观测来自 NASA 的钱德拉 X 射线望远镜的数据时，可以对混合高斯信号进行分离并比较出标准高斯混合模型的差异。
astronomical datadensity estimationgmmistruncated datachandra x-ray telescope
发现论文，激发创造
  • 使用深度高斯混合模型估计缺失值的条件密度

    本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

    Oct, 2020

  • 带有缺失数据的高斯混合模型的高效 EM 训练

    通过使用生成模型（高斯混合模型）计算观察变量给定缺失变量的条件期望值来解决数据矩阵中缺少条目的问题，并利用基于生成模型的算法来填充缺失值，以提高分类学习算法的性能。

    Sep, 2012

  • 高斯混合模型用于高光谱分离成分中的端元变异表示

    考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布，本文提出使用高斯混合模型表示端元变化，通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系，基于此给出了一种用于估计混合像素分布和端元的方法，并在合成数据和真实数据上验证其效果。

    Sep, 2017

  • 改进的 DDIM 采样与矩匹配高斯混合模型

    使用高斯混合模型（GMM）作为 Denoising Diffusion Implicit Models（DDIM）框架中的反向转换操作符（核），通过约束 GMM 的参数来匹配 DDPM 前向边际的一阶和二阶中心矩。通过 FID 和 IS 度量，实验证明在采样步数较少时，使用 GMM 核能够显著提高生成样本的质量。

    Nov, 2023

  • 极限反卷积：从嘈杂、异构和不完整的观测中推断完整的分布函数

    扩展高斯混合模型及 EM 技术，推广至带有不确定性协方差及缺失数据属性的数据点集，使用共轭先验和分离合并算法避免局部最优解，应用于 Hipparcos 卫星测量的二维星速数据，推断星体三维速度分布的算法。

    May, 2009

  • EmpiriciSN: 使用 XD 高斯混合模型对观测到的超新星 / 宿主星系群体进行重新采样

    本文介绍两种新的 Python 开源工具：XDGMM 和 EmpiriciSN。前者使用极限去卷积（XD）算法中的高斯混合模型（GMM）来做带噪声数据的密度估计，并且允许用户按定值模式进行建模，后者利用条件模型来对观测到的超新星和宿主星系族群进行重新采样。

    Nov, 2016

  • 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 Copula 混合模型的性质

    本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型，基于此模型开发了拓展的 EM 算法估计其参数，通过使用独立的非参数统计方法对每个维度的边缘分布进行估计，GCMM 可以实现对数据更深入的挖掘。实验表明，与高斯混合模型相比，在具有相同簇数的情况下，GCMM 可以实现更好的拟合度，并且可以利用每个维度上的不同步数据进行挖掘。

    May, 2023

  • 通过使用高斯混合模型和遮蔽自回归流进行概率分类

    使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度，优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。

    Oct, 2023

  • 深度学习可解释性的鲁棒互信息估计器

    本文提出了基于高斯混合模型的互信息估计算法 GMM-MI， 经验证其在深度学习模型的可解释性研究中表现良好，可用于评估自编码的潜在空间中变量的分离度和与物理量的相关性分布。

    Oct, 2022