神经期望最大化

NIPSAug, 2017

Neural Expectation Maximization

Klaus Greff, Sjoerd van Steenkiste, Jürgen Schmidhuber

TL;DR本文研究了如何在推理和物理交互等任务中自动发现分布式符号样式表示，通过使用不同 iable 的聚类方法，并验证其有效性。

Abstract

Many real world tasks such as reasoning and physical interaction require identification and manipulation of conceptual entities. A first step towards solving these tasks is the automated discovery of distributed symbol-like representations. In this paper, we explicitly formalize this p

automated discovery spatial mixture model neural network perceptual grouping task learned representations

发现论文，激发创造

关系神经期望极大化：无监督发现对象及其交互

本文提出一种无监督的学习方法，利用先验知识模拟人类感知的组成性质，从视觉图像中发现对象并建模它们之间的物理交互，具有优秀的计算效率和建模能力，能够处理遮挡和推广到不同数量的对象场景。

Feb, 2018

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

混合线性回归模型的聚类数据中的 EM 算法

在分布式数据中，通过结构化数据进行 EM 估计的集群结构可有效提高学习方案，最多需要 O (1) 次迭代以达到相同的统计准确性，只要 m 按照 e^{o (n)} 增长。

Aug, 2023

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

学习可学习深层先验的空间混合模型用于知觉分组

本文提出了一种新的具有可学先验的空间混合模型来实现感知分组。该方法将对象的属性划分为 “形状” 和 “外观”，并通过神经网络分别建模。在感知分组数据集上进行的广泛实证测试表明，所提出的方法在大多数实验配置下优于现有的方法。

Feb, 2019

贝叶斯伪标签：期望最大化用于鲁棒和高效半监督分割

本研究介绍了一种新的伪标记形式，作为期望最大化算法的清晰统计解释，并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL，证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。

Aug, 2022

实施 EM 算法的反应网络方案

文章提出了一种基于反应网络的算法来解决统计问题，包括推断环境和最大似然估计等方面，可视为 E.T. Jaynes 的统计力学的统计推断的算法解释。

Apr, 2018

缺失数据：神经网络和期望最大化技术的比较

本文比较了基于最大似然和期望最大化算法（ML 和 EM）和基于自关联神经网络和遗传算法的两种方法对于缺失数据估计的能力，并基于三组数据集得出了结论。

Apr, 2007

神经约束满足：层次抽象在物体重新排列中的组合推广

通过构建一个因式分解转换图，将通过像素推断出的实体代表聚类，进而实现对嵌入式代理的物体重新排列的控制，解决到目前为止难以解决的大量实体配置问题。

Mar, 2023

神经经验贝叶斯

本文提出了一种结合核密度估计和经验贝叶斯方法的新的非监督学习目标，并把优化问题抽象成为高维球体的交互。基于这一机制我们提出了两种新的算法框架：基于 Langevin MCMC 和经验贝叶斯的 “步进 - 跳跃” 采样方案和一个概率框架用于联想记忆，称为 NEBULA。

Mar, 2019