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
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
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
这篇研究论文通过使用正则化技术,解决了高维数据应用中 EM 算法在 M 步时无法定义的问题,并在此基础上,具有统计保证的处理了高维混合回归、缺失变量回归等问题。
Nov, 2015
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。
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
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。
Jun, 2017
本研究提出 Expectation-Maximization 算法在混合线性回归方程式以两个成分收敛的新证明,揭示其在混合线性回归方程式中的变异,为此提出几种新思想。
Oct, 2018
本文提出了一种通用的在线版本 Expectation-Maximisation 算法,适用于独立观测的隐变量模型,可以更直接地将模型分布与观测的边际分布联系起来,而无需进行完整数据分布的积分,实现了一定的简化和加快收敛的效果,并且还适用于条件模型,例如本文所举出的线性回归模型的混合模型。
Dec, 2007
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。