- 在混乱问题的背景下,ELBO 梯度的解析逼近
本文提出一种用于逼近变分推断问题中 Evidence Lower Bound(ELBO)梯度的解析解,其中统计模型是由从一个高斯分布嵌入在无关干扰中得到的观测值构成的贝叶斯网络,该方法采用重新参数化技巧将梯度操作符移至期望内部,并依赖于似然 - 线性锚定高斯混合模型用于粗线形状物体的位置和宽度计算
通过考虑图像灰度的三维表示作为统计分布的有限混合模型,本文旨在检测图像中的线性结构。采用背景减法和基于 Hessian 的参数初始化方案的期望最大化算法,提供了对线性结构的准确性检测,尽管图像背景不规则且存在模糊和噪声。
- 蒙特卡洛马尔可夫链蒙特卡洛在期望最大化中的随机近似
使用异步偏置的 MCMC 步骤分析了 SAEM 的渐近性和非渐近性,特别是偏置的影响,并在合成和真实数据集上进行了与渐近无偏算法 (MALA) 和渐近有偏算法 (ULA) 的数值实验比较。实验结果表明,ULA 在 Langevin 步长选择 - CALM:卷积作为本地混合
本文研究了卷积层的特征映射与图像建模中一种特殊高斯混合未归一化的对数后验的等效性,并拓展了模型以推动多样化特征,并提出相应的 EM 算法来学习该模型。使用该方法学习卷积权重是高效的,可以保证收敛,并且不需要监督信息。
- 基于参数束缚的贝叶斯知识追踪
这篇论文通过基本数学概念推导出了一种限制 Bayesian Knowledge Tracing 参数空间的方法,并引入了一个新的算法来估计参数。
- 高斯混合模型和神经网络的高效一次迭代学习算法
本文提出了一种基于高斯混合模型(Gaussian Mixture Model,GMM)的学习算法,相比经典的期望最大化(Expectation Maximization,EM)算法,该算法具有更高的鲁棒性和简易性,提高了准确性,仅需 1 次 - 使用 DDPM 目标函数学习高斯混合模型
本文研究通过 score estimation 进行 diffusion models 的学习,探讨 gradient descent 和 EM 算法在学习 Gaussian mixture models 方面的效率,证明了其在特定情况下达 - 利用错标数据改进朴素贝叶斯
提出了一种改进的朴素贝叶斯文本分类方法,通过使用 EM 算法迭代优化对应的对数似然函数并明确不正确标签的生成机制,大大提高了带有错误标签数据的朴素贝叶斯方法的性能表现。
- CVPREFEM:三维物体分割的等变神经场期望最大化方法,无需场景监督
本研究提出一种无需注释或依赖场景训练,利用深度学习进行三维物体分割的算法,通过利用单个物体形状先验信息,采用等变形状表示及新型 EM 算法进行无监督的物体分割。实验结果表明,本算法在有不同物体姿态的场景中表现一致且鲁棒性良好。
- 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。
- 从稀疏轨迹估计行程时间和路径
该论文针对 IoT 技术下数据采样不足的情况,提出了一种基于 EM 算法的不完全监督模型,通过粗略标记数据,同时解决旅行时间估计和路径恢复问题,实现更高精度的路径推断和更准确的时间预测。
- 从行人检测到人行横道估计:多样数据集上的 EM 算法和分析
本文提出了一种用于估计标记和未标记的人行横道的拐角点和线性交叉段的 EM 算法,使用处理过的 LiDAR 点云或摄像头图像中的行人检测,并通过分析三个现实世界数据集来展示算法性能,此外还提供了一个 Python 视频工具来可视化交叉参数估计 - 混合分布下的联邦多任务学习
该研究提出了一种基于混合模型假设的联邦多任务学习方法,该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛,同时在联邦学习基准测试中获得了更高的准确性和公平性。
- 主题建模的少样本学习
本文提出了一种基于神经网络的少样本学习方法,该方法可以从少量文档中学习主题模型,并通过 EM 算法的先验概率对主题模型参数进行估计,通过随机梯度下降方法使测试似然性达到最大值,在实验中,我们证明了该方法在三个真实文档集上表现出比现有方法更好 - 带有期望条件最大化的刚性和关节点注册
该论文通过概率点匹配处理刚性和关节形状匹配问题,引入了一种新型 EM-like 算法 ECMPR,使用混合模型来处理未知的对应关系,提出了一种鲁棒性强的点匹配方法,包括旋转和平移参数的估计以及异常值的检测和剔除。
- Krasulina 的 k-PCA 隐式更新形式(无正交性约束)
通过发现 Krasulina 和 Oja 的处理计算在线 k-PCA 问题的更新方案并考虑到梯度信息,并非一般使用 QR 分解进行迭代,而是采用基于概率的 EM 算法来进行处理,实验证明,这种方法比传统的算法更为稳定和快速。
- 变体中的恶魔:DNN 的统计分析,用于强健后门污染检测
本文研究了深度神经网络中的后门污染问题,提出了一种基于 EM 算法的攻击检测技术,可有效识别出攻击样本,包括新的污染数据攻击,并且对于攻击方的规避尝试也具有较强的鲁棒性。
- QGAN: 量化生成对抗网络
本文研究了如何在仿射神经网络中量化生成对抗神经网络并提出了一种基于 EM 算法的 QGAN 方法方法,同时还提出了一种多精度算法,可帮助找到量化 GAN 模型的最佳位数以及相应的结果质量。实验结果表明,QGAN 可将 GAN 量化为 1/2 - ACL使用稀疏词典和词类进行大词汇翻译的非监督训练
本篇论文首次尝试使用 EM 算法提升词汇表学习并应用于大规模无监督翻译,利用阈值和词类进行序列稀疏化和词汇训练,并在两个大规模无监督翻译任务上取得了良好的结果。
- 缺失非随机数据的填补和低秩估计
本文介绍了一种模型和代理的基于矩阵补全的方法来处理丢失而非随机的数据,该方法在处理不同类型的丢失机制时具有稳健性和计算效率,并通过一个实际案例从一个受伤人员数据库中预测是否给患有创伤性脑损伤的患者输注氨甲环酸以控制过度出血的情况。