- 面向超参数化高斯混合模型梯度 EM 算法的全球收敛
在过参数化的设置中,我们研究了高斯混合模型(GMM)的梯度期望最大化(EM)算法,通过单个真实高斯分布生成的数据来学习具有 n > 1 个分量的一般 GMM。通过构建一个新的基于似然度的收敛性分析框架,我们严格证明了梯度 EM 以 subl - 将导航背景融入内陆船舶轨迹预测:一种高斯混合模型和 Transformer 方法
使用高斯混合模型对内陆航运中的船舶轨迹进行预测,在预测中整合了自动识别系统和泄放测量数据,以提高轨迹预测的准确性。
- 高维函数拟合的 N 维高斯模型
我们使用高斯混合模型构建了一种高效的显式表示方法,可以在短时间内优化和渲染复杂的外观,该方法能够应对高维度挑战和缺失细节,并适用于快速拟合和评估。
- 使用变分自编码器和高斯混合模型的联合学习用于行为异常检测
本研究提出了一种新颖的无监督联邦学习方法,用于在车辆环境中识别潜在的不正常行为。该方法利用公共云服务的计算能力进行模型聚合,并作为不正常行为事件的集中存储库,以实现跨车辆学习和集体防御策略。通过在联邦环境中使用 Gaussian Mixtu - 一维高斯混合模型参数估计问题的傅里叶方法
该研究提出了一种新颖的算法用于估计一维高斯混合模型的参数,利用傅里叶数据中的 Hankel 结构,解决了方差和组分数量同时的问题;同时揭示了有限独立同分布样本情况下,估计高斯混合模型的组分数量的基本极限,并验证了算法在似然度、AIC 和 B - 高斯混合模型与最优输运在多源域自适应中的轻量化、优化、快速
多源领域自适应是迁移学习中的任务之一,本文提出了基于最优传输和高斯混合模型的新框架,在图像分类和故障诊断两个领域中,通过 GMM-WBT 和 GMM-DaDiL 策略实现多源领域自适应,显示出在提高性能的同时更快速、参数更少。
- 通过高斯混合模型进行域适应的最优输运
通过最优传输探索领域适应的研究,提出了一种新颖的方法,通过高斯混合模型对数据分布进行建模,从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。
- 扩散引导的理论洞察:高斯混合模型案例研究
在高斯混合模型的背景下,我们的研究首次对扩散模型中引导信息对其性能的影响进行了理论研究,证明了引入扩散引导不仅提高了分类的置信度,还减少了分布的多样性,导致输出分布的微分熵的降低。我们的分析涵盖了广泛采用的采样方案,包括 DDPM 和 DD - 反应机器学习势能面的异常检测
通过对反应性分子势能面(PES)应用不确定性量化(UQ)来检测具有较大预期误差的样本(异常值)。三种方法 —— 集成方法、深度证据回归(DER)和高斯混合模型(GMM)—— 被应用于 syn-Criegee 和乙烯基羟基过氧化物之间的 H - 混合模型:一个用于基于模型的聚类的 Python 一站式库,使用各种混合模型
《Mixture-Models》是一个开源的 Python 库,用于拟合高斯混合模型及其变种,如 Sparimonious GMM、因子分析混合模型、MClust 模型、学生 t 分布混合模型等。它使用各种一阶 / 二阶优化算法,如梯度下降 - 基于高斯混合模型和负高斯混合梯度的扩散模型
利用高斯混合模型作为特征条件引导去噪过程,构建了一种基于高斯混合模型的条件机制,证明了该条件机制在特征上的条件潜在分布相较于类别上的条件潜在分布产生较少的缺陷生成,通过两种基于高斯混合模型的扩散模型的实验结果支持上述发现,并提出负高斯混合梯 - 高斯协调:扩散型人脸生成模型中实现公平性
本文提出了一种用于平衡生成图像的面部属性的新方法,通过在扩散模型的潜在空间中使用高斯混合模型 (GMM) 来定位面部属性的平均值,从而减小生成过程中的偏差。我们的方法不需要重新训练,而是实时定位子空间来减小生成公平数据的偏差,并保持生成样本 - 用于硬盘驱动器的稳定线性动力系统的聚类技术
本文介绍了一种在每个簇内设计鲁棒控制器的方式,使得控制器对于每个簇都是最优的,其中采用了稳定线性动力系统的 k-medoids 算法进行硬聚类,同时针对一类特殊的线性时不变系统(如硬盘驱动器系统),采用了高斯混合模型进行聚类。
- 高斯混合模型空间中的 Gromov-Wassertein 类距离
该研究论文介绍了两种 Gromov-Wasserstein 类型的距离,用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品,用于评估两个分布间的差异,并且为点云之间的最优传输计划提供了一种定义方式。同时,该 - 使用退出一个样本最大对数似然目标稳定训练概率模型
基于数据驱动方法的概率建模用于电力系统运行和规划过程,需要充足的大型数据集。本文提出一种自适应的核密度估计模型,通过分配可学习的权重给核心实现了该模型的性能改进,同时使用修正的期望最大化算法加快优化速度,并通过和高斯混合模型的比较,表明所提 - 在高维空间中桥接分布学习与图像聚类
通过利用自动编码器将图像编码为高维潜空间,并使用 Monte-Carlo 边缘化和 Kullback-Leibler 散度损失来拟合 Gaussian Mixture Models (GMM) 的高斯成分和学习数据分布,从而实现图像聚类,并 - 大规模基于梯度的因子分析混合模型训练
通过随机梯度下降方法,本论文针对高维数据提出了一种高效的高维混合因子分析(MFA)模型训练方法,并利用 MFA 应用于图像数据集进行样本生成和异常检测。
- 利用深层 ReLU 网络对高斯混合模型生成的数据进行分类
该研究使用深度 ReLU 神经网络对由 Gaussian Mixture Models (GMMs) 在 $R^d$ 下生成的无界数据进行二元分类,并首次获得了无需限制模型参数的分类的非渐进上界和收敛速度的超额风险 (超额误分类误差)。所得 - 无监督机器学习用于高阶 CFD 求解器的震荡捕捉
我们提出了一种基于高斯混合模型(GMMs)的新颖无监督机器学习激波捕获算法,在不需要参数调整的情况下,该算法能够准确检测激波并在不同测试案例中展现出强大的鲁棒性。通过与最先进的替代方法进行比较,并将所有方法集成到一个高阶可压间断 Galer - 用梯度下降学习高斯混合模型的 Cramer 型距离
本文提出了一种适用于一般多变量 GMM 学习的距离函数 Sliced Cramé 2-distance, 其解析形式表达简单,且可以与神经网络顺利结合,将其应用于 Deep Q Networks 代表的一些算法中,获得了很好的表现。