論文の概要: A fast and efficient Modal EM algorithm for Gaussian mixtures

• arxiv url: http://arxiv.org/abs/2002.03600v2
• Date: Fri, 18 Dec 2020 14:31:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:31:11.022971
• Title: A fast and efficient Modal EM algorithm for Gaussian mixtures
• Title（参考訳）: ガウス混合に対する高速かつ効率的なモーダルEMアルゴリズム
• Authors: Luca Scrucca
• Abstract要約: クラスタリングへのモーダルアプローチでは、クラスタは基礎となる確率密度関数の局所的な最大値として定義される。 モーダルEMアルゴリズムは、任意の密度関数の局所的な最大値を特定するイテレーティブな手順である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the modal approach to clustering, clusters are defined as the local maxima of the underlying probability density function, where the latter can be estimated either non-parametrically or using finite mixture models. Thus, clusters are closely related to certain regions around the density modes, and every cluster corresponds to a bump of the density. The Modal EM algorithm is an iterative procedure that can identify the local maxima of any density function. In this contribution, we propose a fast and efficient Modal EM algorithm to be used when the density function is estimated through a finite mixture of Gaussian distributions with parsimonious component-covariance structures. After describing the procedure, we apply the proposed Modal EM algorithm on both simulated and real data examples, showing its high flexibility in several contexts.
• Abstract（参考訳）: クラスタリングへのモダルアプローチでは、クラスタは基礎となる確率密度関数の局所極大として定義され、後者は非パラメトリックあるいは有限混合モデルを用いて見積もることができる。 したがって、クラスターは密度モードの周りの特定の領域と密接に関連しており、各クラスターは密度の隆起に対応する。 モーダルEMアルゴリズムは、任意の密度関数の局所的な最大値を特定するイテレーティブな手順である。 本研究では,密度関数を擬似成分共分散構造を持つガウス分布の有限混合により推定する場合に,高速かつ効率的なモーダルEMアルゴリズムを提案する。 この手順を説明した後、シミュレーションデータと実データの両方にModal EMアルゴリズムを適用し、いくつかの文脈で高い柔軟性を示す。

関連論文リスト

• Empirical Density Estimation based on Spline Quasi-Interpolation with applications to Copulas clustering modeling [0.0]
  密度推定は、様々な分野において、基礎となるデータの分布をモデル化し理解するための基礎的な手法である。 本稿では,擬似補間による密度の単変量近似を提案する。 提案アルゴリズムは人工データセットと実データセットで検証される。
  論文  参考訳（メタデータ） (2024-02-18T11:49:38Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
  カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。 カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。 有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-06-18T08:33:45Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Local optimization on pure Gaussian state manifolds [63.76263875368856]
  ボソニックおよびフェルミオンガウス状態の幾何学に関する洞察を利用して、効率的な局所最適化アルゴリズムを開発する。 この手法は局所幾何学に適応した降下勾配の概念に基づいている。 提案手法を用いて、任意の混合ガウス状態の精製の絡み合いを計算するのにガウス浄化が十分であるという予想の数値的および解析的証拠を収集する。
  論文  参考訳（メタデータ） (2020-09-24T18:00:36Z)
• Nearest Neighbor Dirichlet Mixtures [3.3194866396158]
  計算上の欠点を伴わずにベイズ的アプローチの強みのほとんどを維持するために、近傍のディリクレ混合のクラスを提案する。 単純で恥ずかしい並列なモンテカルロアルゴリズムが提案され、結果の擬似ポストから未知の密度をサンプリングする。
  論文  参考訳（メタデータ） (2020-03-17T21:39:11Z)
• Gaussian Mixture Reduction with Composite Transportation Divergence [15.687740538194413]
  複合輸送分散(CTD)に基づく新しい最適化型GMR法を提案する。 我々は,還元混合物を計算し,その理論的収束を確立するための最大化最小化アルゴリズムを開発した。 統合されたフレームワークにより、CTDの最も適切なコスト関数を選択して、優れたパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2020-02-19T19:52:17Z)
• Projection pursuit based on Gaussian mixtures and evolutionary algorithms [0.0]
  ガウス混合モデル(GMM)に基づく投影探索(PP)アルゴリズムを提案する。 PPに対するこの半パラメトリックアプローチは柔軟であり、高い情報的構造を検出できることを示す。 提案手法の性能は人工データセットと実データセットの両方で示される。
  論文  参考訳（メタデータ） (2019-12-27T10:25:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。