- CVPRFilterReg:使用高斯滤波和扭曲参数化的鲁棒高效概率点集配准
本研究提出了一种新的概率点集配准方法,采用有效的概率公式解决了最大似然估计问题,通过 E-M 算法和高斯滤波方法实现更快的计算性能,适用于关节和可变形目标,优于其他竞争基线。
- 基于模型的网络群聚类
我们提出了一种基于广义线性(混合)模型的基于模型的聚类方法,用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口,最大似然估计可通过 EM 算法实现。
- NIPS高斯混合模型似然函数中的局部最大值:结构结果与算法影响
对高斯混合模型的局部极值、EM 算法、随机初始化和 “坏” 鞍点的存在进行了深入研究。结果表明,即使在高度有利的情况下,谨慎初始化也是使用 EM 算法的必要条件。
- 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。
- 通过 EM 算法估算二元高斯混合分布中心的统计保证
本研究拓展了 EM 算法在高斯混合模型中的应用,并通过随机初始化策略提高了统计精确度。
- ICML树形集成模型的可解释性
该研究提出一种后处理方法通过使用 EM 算法和简化模型来提高树模型的可解释性,并进行了人工合成实验以证明该方法的可行性。
- 关于和积网络中潜在变量的解释
本文提出了一种 SPN 增强方法,将 sum 节点解释为潜在变量(LVs),并指出以前的方法与 SPN 的完备条件冲突,未充分识别概率模型。作者给出了 SPN 的 EM 算法派生和 Viterbi 算法的正确性,同时在合成和 103 个真实 - NIPS正则化 EM 算法:统一框架与统计保证
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。
- NIPS深度多维循环神经网络学习的无 Hessian 优化
本文通过使用 Hessian-free 优化算法,采用凸近似方式解决 CTC 目标函数的非凸性问题,成功深度训练了一个多达 15 层的 MDRNN,从而在序列标注方面取得了显著的性能提升。
- 渐进式 EM 算法用于隐树模型和层次主题检测
本文提出一种方法,利用近期动量优化方法的技术,极大提高了层次主题检测的效率,并且找到了更好的主题和主题层次结构。
- 文本的线性动力学系统模型
该研究通过概率隐变量序列模型,使用前向算法实现连续状态 Kalman 滤波器来学习单词的表示。通过 EM 算法准确地优化参数,使用所学习到的单词嵌入作为标记任务的特征,在标记任务中实现显著的准确度改进,并通过线性递归神经网络通过我们的模型的 - 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 - 光谱方法遇上 EM: 一种可证明优化的众包算法
本研究提出了一种用于多类众包标注问题的两阶段高效算法,第一阶段使用谱方法获取参数的初始估计,然后第二阶段通过 EM 算法优化 Dawid-Skene 估计器的目标函数来进一步细化估计,实验结果表明该算法具有最优收敛速率。
- 无监督学习事件之间的时间关系
本文介绍了两种旨在实现无人监督的时间关系提取方法,第一种基于弱监督机器学习方法和互联文献数据集,第二种是基于期望最大化算法和不同的技术手段,我们的实验结果表明,所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系,并实现了比以往 - 混合线性回归问题的交替最小化
本文提出了一种新的初始化过程,该过程基于找到适当矩阵的前两个特征向量,并表明具有这种方法下的重采样 EM 算法在自然假设前提下可以收敛到正确的向量,其样本复杂度几乎是最佳的。
- 界限优化算法的收敛性
本文研究基于边界优化算法(Expectation-Maximization、Iterative Scaling 和 CCCP)的参数学习与直接优化算法(如梯度下降法)的关系,通过分析各种方法的更新方式来识别局部收敛和全局收敛之间的差别及数据 - 利用图模型进行 ARMA 时间序列建模
本研究将经典 ARMA 时间序列模型表达成有向图形式,在此基础上将确定性关系替换为小方差的高斯分布,形成随机 ARMA(ARMA)模型,这种改进允许我们使用 EM 算法学习参数并进行预测,即使存在数据丢失。实验结果表明,移动到随机 ARMA - 从 3D 范围数据中恢复关节式物体模型
本文介绍了一种基于无监督学习的算法,可以从 3D 点云数据中自动分解复杂的关节式物体模型,定位其各部分的位置,并还原其关节连接,方法通过无刚性变形技术配合 EM 算法和图像模型实现,可在避免局部最大值的情况下获取大量物体部分。
- 用泊松过程级联建模事件
提出了一种连续时间事件的概率模型,采用触发后继事件泊松过程的方法对观察到的事件进行建模,并使用 EM 算法进行高效推理,可以作为分布式算法实现,可用于模拟推特消息和维基百科的修订历史。
- 混合模型和隐马尔可夫模型的矩方法
本文提出了一种有效方法来估计高维的混合模型的参数以及应对 EM 算法的失败问题,该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。