Jun, 2017

高斯混合模型的另一种 EM 方法：批量和随机黎曼优化

PDF
TL;DR该论文提出了一种基于 Riemannian 优化方法的高斯混合模型参数估计算法，与 EM 算法相比表现更优，同时给出了非渐近收敛分析的随机优化方法。
gaussian mixture modelsexpectation maximizationriemannian optimizationstochastic gradient algorithmsconvergence analysis
发现论文，激发创造
  • 高斯混合模型的量子期望最大化

    本研究提出一个基于量子算法的 EM 算法版本，用于解决高维 Gaussian 混合模型拟合问题，相较于传统算法有更快的收敛速度和更高的精度，并且能够推广到指数族分布，提供同样的计算保障。

    Aug, 2019

  • 高斯混合模型的期望最大化全局分析

    研究基于极大似然原理的迭代算法 —— 期望最大化算法（EM）在统计模型中的参数估计，发现其仅能保证收敛于似然函数的极值点而非最大值点，尤其针对包含两个高斯分布混合的模型进行具体分析，最终建立了 EM 算法的统计一致性。

    Aug, 2016

  • 正则化 EM 算法

    本文提出了一种基于 EM 算法的正则化版本，该方法可高效地利用先验知识来应对样本数据较小的情况，并通过收缩估计量以实现正定的协方差矩阵更新，从而改善 EM 算法在 Gaussian 混合模型（GMM）处理中的性能问题。此外，基于真实数据的实验证实了该算法在聚类目的上的良好性能。

    Jul, 2023

  • 面向超参数化高斯混合模型梯度 EM 算法的全球收敛

    在过参数化的设置中，我们研究了高斯混合模型（GMM）的梯度期望最大化（EM）算法，通过单个真实高斯分布生成的数据来学习具有 n > 1 个分量的一般 GMM。通过构建一个新的基于似然度的收敛性分析框架，我们严格证明了梯度 EM 以 sublinear 速率 O (1/√t) 具有全局收敛性，这是关于具有多于 2 个分量的高斯混合模型的首个全局收敛结果。子线性收敛速率是由于学习过参数化 GMM 的算法性质所导致的。我们还确定了学习一般过参数化 GMM 的新技术挑战：存在能够在指数步数内困住梯度 EM 的不良局部区域。

    Jun, 2024

  • EM 算法在两个高斯混合模型中的十步成功

    利用无限多样本的总体版本，我们为具有已知协方差矩阵的两个高斯混合物提供了全局收敛保证，并为收敛速率提供了简单的封闭型表达式。

    Sep, 2016

  • 过度参数化结合期望最大化算法的优势

    本文研究基于过度参数化的混合高斯模型的期望最大化算法在寻找全局最优解方面的表现，理论和实验结果表明，此方法可以避免局部最优解问题。

    Oct, 2018

  • EM 算法的统计保证：从总体到基于样本的分析

    本文开发了一个通用框架以证明 EM 算法及其变体（梯度 EM）的性能，分析分为两部分：在人口水平上处理这些算法（在无限数据的极限情况下），然后是基于一组有限样本的更新的结果。我们证明了我们的一般理论对于三个和不完整数据问题有一个具体的著名案例。

    Aug, 2014

  • 高维期望最大化算法：统计优化和渐近正态性

    本文提供了一个关于期望最大化 (EM) 算法应用于高维潜变量模型推断的一般理论。作者提出了一个新的高维 EM 算法，自然地融入了稀疏结构到参数估计中。基于估计值，作者提出了新的推论程序来测试假设并构建置信区间。这个算法针对广泛的统计模型，提供了高维最先进的估计和渐近推断的第一个可计算的方法。

    Dec, 2014

  • 多变量广义高斯分布：凸性和图模型

    本文探讨了多元广义高斯分布（MGGD）和椭圆对称分布下的协方差估计的最大似然优化问题，提供了一种新的基于测地线凸性分析该似然函数的方法以及通过结构化稀疏性限制的广义协方差估计框架。

    Apr, 2013

  • 量子期望最大化算法

    本文通过基于 k-means 算法的量子聚类算法，提出了一种基于量子 EM 算法的高斯混合模型算法，证明了该算法的鲁棒性和量子加速优势以及 GMM 在非平凡聚类数据中的优势。

    Aug, 2019