- 多视点集期待最大化配准
本篇文章提出了基于最大期望算法的多视角点集注册方法,通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数,实现了高精度、高鲁棒性、高效率的点云多视角重建。
- 量子期望最大化算法
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。
- ZeroER: 使用零标记样本进行实体消歧
该研究探讨了一种无监督学习的方法,使用高斯混合模型等工具实现了基于相似度向量的实体解析算法,该算法不需要标注数据,但能够实现与有标注数据的算法相近的性能表现,且在五个基准数据集上的表现优于现有的无监督方法。
- 高斯混合模型空间中的 Wasserstein 型距离
此研究介绍了一种基于 Wasserstein 距离的方法,用于高维数问题中的 Gaussian 混合模型的优化问题,并讨论了它的性质和在图像处理中的应用。
- 高斯混合模型的直接拟合
该论文提出了一种将高斯混合模型直接拟合于三角网格的新方法,这可提高几何目标的似然性评估,并产生更高质量的 GMMs 以及对于网格和 RGB-D 框架的 3D 配准,该方法具有普适性。
- Mixture of Two Component Linear Regression 的 EM 算法全局收敛性
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。
- 用切片瓦烧斯坦距离学习高斯混合模型
本文提供了通过切片 Wasserstein 距离的算法来求解高斯混合模型参数的新方法,并且与该算法相比,传统的期望极大化算法无论是从随机初始值还是数据分布的准确性方面都更加鲁棒。
- 高斯混合模型的最优输运
在高斯混合模型空间中提出一种最优质量传输框架,以比较、插值和平均不同模型。该方法研究了具有一定结构的概率密度的子流形上的这些模型,并讨论了不同方面和举了多个例子。这是对更一般的概率密度结构进行最优输运问题研究的第一次尝试。
- 高斯混合模型用于高光谱分离成分中的端元变异表示
考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布,本文提出使用高斯混合模型表示端元变化,通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系,基于此给出了一种用于估计混合像素分布和端元的方法,并在合成数据和真 - ICCV利用卷积滤波器模式进行迁移学习
本文介绍了一种新的正则化技术,旨在通过高斯混合模型捕捉卷积神经网络中的统计关系,并将其转移到另一个网络中,实现特征表示的高效学习和转移。
- 高斯混合模型的另一种 EM 方法:批量和随机黎曼优化
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。
- 基于时间序列聚类核的多元时间序列缺失数据学习相似性
该论文提出了一种称为强健时间序列簇核的方法,使用了高斯混合模型和信息先验分布来处理缺失数据,并采用集成学习方法来确保对参数的鲁棒性。实验结果表明,该方法对于参数的选择鲁棒,在处理缺失数据的情况下表现出色。
- 贝叶斯斥力高斯混合模型
本文提出了一种新的 Bayesian 高斯混合模型,其通过斥力先验可实现对聚类的优化,使得模型更具泛化性和可扩展性,同时提供了一种高效的基于 Gibbs 采样算法实现的方法,并借助模拟实验和真实数据分析验证了模型的有效性。
- 高斯混合模型的最大模数
本文研究高斯混合模型的局部最大值或模式数量,给出该问题历史的简要介绍,给出改进的下界和首个有限上界。
- 基于深度卷积神经网络的端到端语音识别
本文提出将 CNN 与 CTC 相结合的端到端语音识别框架,以实现序列标记;在 TIMIT 音素识别任务中评估该方法并表明其在计算效率和性能上优于已有基线系统,并指出 CNN 具有利用适当上下文信息来建模时间相关性的能力。
- 高维高斯分布和高斯混合模型的鲁棒估计的统计查询下限
本文提出了一种统计查询下限技术,用于解决高维学习问题中高斯分布的学习和鲁棒性学习问题,并得出了样本复杂度和计算复杂度之间存在的超多项式差距,同时提供了一个新的方法来解决一些相关的无监督估计和测试问题。
- 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。
- 高斯混合模型的最大似然估计是超越函数的
本文通过代数统计学的方法分析高斯混合模型中的极大似然估计,发现 MLE 不是数据的代数函数,因此这些模型没有 ML 度的概念,似然函数的临界点是超越的,并且即使是两个单变量高斯混合模型,其临界点数量也没有界限。
- 高斯混合模型成分重叠的可行度量
本文针对高斯混合模型和已知样本分配的情况,通过求解广义本征值问题导出了一种基于成分重叠的测量方法,并通过模拟结果表明其可以很好地反映线性近似的积分测量行为。
- KDD高斯混合模型的自适应种子
我们提出了用于多元高斯混合模型期望 - 最大化算法的新初始化方法,这些方法是 K-means++ 初始化和 Gonzalez 算法的改进。我们的方法旨在弥合简单随机和高度依赖超参数选择的复杂方法之间的差距,并且我们的广泛实验表明:与将原始