論文の概要: A Riemannian Newton Trust-Region Method for Fitting Gaussian Mixture
Models
- arxiv url: http://arxiv.org/abs/2104.14957v1
- Date: Fri, 30 Apr 2021 12:48:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 17:56:56.608037
- Title: A Riemannian Newton Trust-Region Method for Fitting Gaussian Mixture
Models
- Title(参考訳): ガウス混合モデルに適合するリーマンニュートン信頼区間法
- Authors: Lena Sembach, Jan Pablo Burgard, Volker H. Schulz
- Abstract要約: ガウス混合モデルのためのリーマン・ヘッシアンの式を紹介します。
さらに、実行時とイテレーション数の両方で現在のアプローチを上回る新しいNewton Trust-Regionメソッドを提案します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian Mixture Models are a powerful tool in Data Science and Statistics
that are mainly used for clustering and density approximation. The task of
estimating the model parameters is in practice often solved by the Expectation
Maximization (EM) algorithm which has its benefits in its simplicity and low
per-iteration costs. However, the EM converges slowly if there is a large share
of hidden information or overlapping clusters. Recent advances in Manifold
Optimization for Gaussian Mixture Models have gained increasing interest. We
introduce a formula for the Riemannian Hessian for Gaussian Mixture Models. On
top, we propose a new Riemannian Newton Trust-Region method which outperforms
current approaches both in terms of runtime and number of iterations.
- Abstract(参考訳): ガウス混合モデルは、主にクラスタリングと密度近似に使用されるデータサイエンスと統計学の強力なツールである。
モデルパラメータを推定するタスクは、実際は、その単純さと低イテレーションコストに利点がある期待最大化(EM)アルゴリズムによって解決されることが多い。
しかし、隠れた情報や重なり合うクラスタが多数存在する場合、EMはゆっくりと収束する。
ガウス混合モデルの多様体最適化の最近の進歩は関心を集めている。
ガウス混合モデルに対するリーマン・ヘッセンの公式を導入する。
さらに、ランタイムとイテレーション数の両方において、現在のアプローチを上回る新しいリーマンニュートン信頼地域法を提案する。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳(メタデータ) (2024-06-19T01:57:21Z) - Learning Mixtures of Gaussians Using Diffusion Models [9.118706387430883]
テレビエラーに対して$k$ Gaussiansの混合を学習するための新しいアルゴリズムを提案する。
我々のアプローチは解析的であり、拡散モデルの枠組みに依存している。
論文 参考訳(メタデータ) (2024-04-29T17:00:20Z) - Learning Gaussian Mixtures Using the Wasserstein-Fisher-Rao Gradient
Flow [12.455057637445174]
ガウス混合モデルを用いて非パラメトリック最大推定器(NPMLE)を計算するための新しいアルゴリズムを提案する。
この手法は、ワッサーシュタイン-フィッシャー-ラオ幾何学を備えた確率測度空間上の勾配降下に基づく。
提案アルゴリズムの有効性を確認するため,広範囲な数値実験を行った。
論文 参考訳(メタデータ) (2023-01-04T18:59:35Z) - Geometric Learning of Hidden Markov Models via a Method of Moments
Algorithm [11.338112397748619]
本稿では,隠れマルコフモデル(HMM)のパラメータを幾何学的に学習するための新しいアルゴリズムを提案する。
本稿では,既存の学習者と比較して,学習者の速度と数値的精度が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-07-02T12:24:38Z) - The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。
本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文 参考訳(メタデータ) (2022-02-11T15:59:01Z) - Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文 参考訳(メタデータ) (2022-02-06T11:57:39Z) - Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。
しかし、これらの演算は通常計算的に要求される。
特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。
先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2021-02-12T17:38:04Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳(メタデータ) (2020-05-21T20:59:11Z) - Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。
この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文 参考訳(メタデータ) (2020-03-04T08:15:06Z)
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。