論文の概要: A Non-Iterative Quantile Change Detection Method in Mixture Model with Heavy-Tailed Components

• arxiv url: http://arxiv.org/abs/2006.11383v1
• Date: Fri, 19 Jun 2020 21:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 04:06:25.262413
• Title: A Non-Iterative Quantile Change Detection Method in Mixture Model with Heavy-Tailed Components
• Title（参考訳）: 重み付き成分混合モデルにおける非イテレーティブ定位変化検出法
• Authors: Yuantong Li, Qi Ma, and Sujit K. Ghosh
• Abstract要約: 混合モデルのパラメータ推定には、分類問題から複雑な分布の推定まで幅広い応用がある。 混合密度のパラメータを推定する現在の文献のほとんどは、反復期待最大化(EM)型アルゴリズムに基づいている。 そこで本稿では,ほぼ任意の位置スケールのファミリーで動作する混合成分数を決定するために,変更点法に基づくロバストかつ迅速なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.253292484834396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating parameters of mixture model has wide applications ranging from classification problems to estimating of complex distributions. Most of the current literature on estimating the parameters of the mixture densities are based on iterative Expectation Maximization (EM) type algorithms which require the use of either taking expectations over the latent label variables or generating samples from the conditional distribution of such latent labels using the Bayes rule. Moreover, when the number of components is unknown, the problem becomes computationally more demanding due to well-known label switching issues \cite{richardson1997bayesian}. In this paper, we propose a robust and quick approach based on change-point methods to determine the number of mixture components that works for almost any location-scale families even when the components are heavy tailed (e.g., Cauchy). We present several numerical illustrations by comparing our method with some of popular methods available in the literature using simulated data and real case studies. The proposed method is shown be as much as 500 times faster than some of the competing methods and are also shown to be more accurate in estimating the mixture distributions by goodness-of-fit tests.
• Abstract（参考訳）: 混合モデルのパラメータ推定には、分類問題から複雑な分布の推定まで幅広い応用がある。 混合密度のパラメータを推定する現在の文献のほとんどは、遅延ラベル変数の期待値を取るか、ベイズ則を用いてそのような潜在ラベルの条件分布からサンプルを生成することを必要とする反復期待最大化(em)型アルゴリズムに基づいている。 さらに、成分数が不明な場合には、有名なラベル切り替え問題である \cite{richardson1997bayesian} によって、計算上より要求される問題となる。 本稿では,変化点法に基づくロバストかつ高速なアプローチを提案し,その成分が重く尾翼(例えばコーシー)であっても,ほぼ任意の位置スケールのファミリーで機能する混合成分の数を推定する。 本研究では,シミュレーションデータと実例を用いて,本手法を文献の一般的な手法と比較し,いくつかの数値的考察を行った。 提案手法は, 提案手法よりも500倍高速であることが示され, また, 適合度テストにより混合分布を精度良く推定できることが示されている。

関連論文リスト

• Semantic Equivariant Mixup [54.734054770032934]
  Mixupは、トレーニング分布を拡張し、ニューラルネットワークを正規化する、確立されたデータ拡張テクニックである。 以前のミックスアップの変種はラベル関連の情報に過度に焦点をあてる傾向がある。 入力中のよりリッチな意味情報を保存するための意味的同変混合(sem)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T03:05:53Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Joint Probability Estimation Using Tensor Decomposition and Dictionaries [3.4720326275851994]
  本研究では, 与えられた離散確率と連続確率変数の連立確率の非パラメトリック推定を, それらの(経験的推定)2次元境界値から検討した。 我々は、データを調べて分布の様々なファミリーの辞書を作成し、それを混合した製品の各分解因子を近似するために利用する。
  論文  参考訳（メタデータ） (2022-03-03T11:55:51Z)
• 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)
• Linear Discriminant Analysis with High-dimensional Mixed Variables [10.774094462083843]
  本稿では,混合変数を用いた高次元観測の分類手法を提案する。 データを指数関数的に多くのセルに分割するという課題を克服する。 推定精度と誤分類率に関する結果が確立される。
  論文  参考訳（メタデータ） (2021-12-14T03:57:56Z)
• Fitting large mixture models using stochastic component selection [0.0]
  本稿では,少数のコンポーネントのみを評価するために,計算とメトロポリス・ハスティングスアルゴリズムの期待値の組み合わせを提案する。 コンポーネント割り当てのマルコフ連鎖は、アルゴリズムのイテレーション間で順次生成される。 提案手法の一般性を重視し,浅い混合モデルと深い混合モデルの両方を訓練する能力を備える。
  論文  参考訳（メタデータ） (2021-10-10T12:39:53Z)
• Learning Gaussian Mixtures with Generalised Linear Models: Precise Asymptotics in High-dimensions [79.35722941720734]
  多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。 実験的リスク最小化による高次元推定器の精度を実証する。 合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
  論文  参考訳（メタデータ） (2021-06-07T16:53:56Z)
• A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
  多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。 条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。 混合物のパラメータと距離測定値に基づいて後部推論を行う。
  論文  参考訳（メタデータ） (2020-12-03T18:08:30Z)
• Consistent Estimation of Identifiable Nonparametric Mixture Models from Grouped Observations [84.81435917024983]
  この研究は、グループ化された観測から任意の同定可能な混合モデルを一貫して推定するアルゴリズムを提案する。 ペア化された観測のために実践的な実装が提供され、アプローチは既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-12T20:44:22Z)
• Uniform Convergence Rates for Maximum Likelihood Estimation under Two-Component Gaussian Mixture Models [13.769786711365104]
  パラメータ推定のための最大極大推定器と最小極小境界に対する一様収束率を導出する。 混合成分の混合割合は, 既知, 固定されていると仮定するが, 混合成分の分離仮定は行わない。
  論文  参考訳（メタデータ） (2020-06-01T04:13:48Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。