混合密度网络在产品捆绑分类中的应用

Feb, 2024

混合密度网络在产品捆绑分类中的应用

Mixture Density Networks for Classification with an Application to Product Bundling

Narendhar Gugulothu, Sanjay P. Bhat, Tejas Bodas

TL;DR本文提出了两种基于混合密度网络的分类模型，通过将高斯混合模型拟合到数据中，并使用拟合的分布通过评估学习到的累积分布函数对给定样本进行分类。这些模型在三个公开数据集上表现略优于或与五个基准分类模型相当，并通过真实世界的产品捆绑应用展示了其实际用途。具体而言，我们使用这些模型从单个产品的合成销售数据中学习愿意支付（WTP）分布，并利用所学到的 WTP 分布的高斯混合表示来获得由两个产品组成的捆绑产品的 WTP 分布。这些提出的基于混合密度网络的模型能够很好地近似两个产品和捆绑产品的真实 WTP 分布。

Abstract

While mixture density networks (MDNs) have been extensively used for regression tasks, they have not been used much for classification tasks. One reason for this is that the usability of MDNs for classification i

mixture density networks classification tasks gaussians product bundling application willingness-to-pay distribution

发现论文，激发创造

ARMDN：用于电商需求预测的联合与循环混合密度网络

本研究提出了一种称为 AR-MDN 的神经网络结构，该结构能够同时模拟关联因素、时间序列趋势和需求方差，为在线零售组织提供精确的需求预测，同时也在消除需求方面存在的问题方面获得了显著的改进和提高。

Mar, 2018

图混合密度网络

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

GraphMDN：利用图结构和深度学习解决反问题

本文研究了新型的图神经网络 (Graph Neural Networks) 在处理非欧几里德图结构数据时的应用。作者提出了一种将 Graph Neural Network 和混合密度网络 (Mixture Density Network, MDN) 相结合的新型网络 (Graph Mixture Density Network), 该网络可将图结构信息嵌入到深度神经网络中，并在数据具有图结构、有多模态回归目标或是需要模拟多峰分布的情况下表现优异。作者在基于人类姿势估计的任务中，比较了该网络与其他现有的图神经网络模型，结果表明该模型有效地提升了预测性能。

Oct, 2020

基于混合密度网络的随机电子器件的机器学习紧凑建模

通过机器学习中的混合密度网络（MDNs），创新的方法能够模拟电子设备的随机行为，从而克服传统建模技术的局限性。

Nov, 2023

高斯混合卷积网络

提出了一种基于多维高斯混合分析卷积的深度学习方法，该方法通过高斯混合卷积核和数据产生多个特征通道，使用高斯混合拟合来代替传统的转移函数（如 ReLU），并在适当减少高斯混合成分数量的情况下进行汇集，基于该架构的网络在封装 MNIST 和 ModelNet 数据集的高斯混合物上达到了竞争性的准确性。

Feb, 2022

使用 Dirichlet 过程混合模型的非线性模型

我们介绍了一种新的非线性分类模型，使用狄利克雷过程混合对反应变量 y 和协变量 x 的联合分布进行非参数建模，并在混合成分内保持 y 和 x 之间的关系线性。如果混合物包含多个成分，则总体关系变成非线性。我们使用模拟数据来比较这种新方法与简单的多项式逻辑模型 (MNL)、带有二次项的 MNL 模型和决策树模型的性能，并在蛋白折叠分类问题上评估我们的方法，发现我们的模型相对于基于神经网络 (NN) 和支持向量机 (SVM) 的先前方法具有实质性改进。蛋白质折叠类别具有分层结构。我们将我们的方法扩展到分类问题，其中有一个类别分层结构。我们发现，使用关于蛋白折叠分层结构的先前信息可以提高预测准确性。

Mar, 2007

MD-NOMAD: 混合密度非线性流形解码器用于模拟随机微分方程和不确定性传播

我们提出了一种神经算子框架，称为混合密度非线性流形解码器（MD-NOMAD），用于随机模拟器。我们的方法利用了点对点算子学习神经结构非线性流形解码器（NOMAD）与基于混合密度的方法的融合，用于估计随机输出函数的条件概率分布。MD-NOMAD 利用概率混合模型估计复杂概率和点对点神经算子 NOMAD 的高维扩展性。我们对广泛的随机常微分方程和偏微分方程进行了实证评估，并展示了相应的结果，突出了该框架的性能。

Apr, 2024

XRMDN：基于循环混合密度网络的短期概率性需求预测架构（面向高波动性的移动出行系统）

在实际的移动出行需求预测系统中，传统的时间序列预测方法难以准确预测高动态波动的需求。本研究提出了一种扩展循环混合密度网络（XRMDN）模型，通过对历史数据序列的趋势进行捕捉，提高了动态高波动环境下的预测精度，并在真实移动出行数据集上的综合实验证实了其性能优于统计学、机器学习和深度学习模型。该研究不仅对于移动出行需求预测有贡献，也在其他应用领域的优化问题、特别是在不确定环境下的优化中具有重要意义。

Oct, 2023

混合密集回归用于物体检测和人体姿态估计

本文提出了使用混合密度网络进行空间回归的框架，在物体检测和人体姿态估计任务中，混合模型提高了准确性并使输入空间划分为可解释的模式。

Dec, 2019

多项式信念网络

基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

Nov, 2023