論文の概要: Mixed Membership sub-Gaussian Models

• arxiv url: http://arxiv.org/abs/2604.22633v1
• Date: Fri, 24 Apr 2026 15:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.51277
• Title: Mixed Membership sub-Gaussian Models
• Title（参考訳）: 混合準ガウスモデル
• Authors: Huan Qing,
• Abstract要約: 本研究では,各観測値の混合メンバシップを推定する効率的なアルゴリズムを開発した。 個人ごとのメンバシップベクトルの推定誤差は、高い確率で任意に小さくできることを示す。
• 参考スコア（独自算出の注目度）: 4.314956204483074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Gaussian mixture model is widely used in unsupervised learning, owing to its simplicity and interpretability. However, a fundamental limitation of the classical Gaussian mixture model is that it forces each observation to belong to exactly one component. In many practical applications, such as genetics, social network analysis, and text mining, an observation may naturally belong to multiple components or exhibit partial membership in several latent components. To overcome this limitation, we propose the mixed membership sub-Gaussian model, which extends the classical Gaussian mixture framework by allowing each observation to belong to multiple components. This model inherits the interpretability of the classical Gaussian mixture model while offering greater flexibility for capturing complex overlapping structures. We develop an efficient spectral algorithm to estimate the mixed membership of each individual observation, and under mild separation conditions on the component centres, we prove that the estimation error of the per-individual membership vector can be made arbitrarily small with high probability. To our knowledge, this is the first work to provide a computationally efficient estimator with such a vanishing-error guarantee for a mixed-membership extension of the Gaussian mixture model. Extensive experimental studies demonstrate that our method outperforms existing approaches that ignore mixed memberships.
• Abstract（参考訳）: ガウス混合モデルは、その単純さと解釈可能性のために教師なし学習に広く用いられている。 しかし、古典的なガウス混合モデルの基本的な制限は、それぞれの観測を正確に1つの成分に属するように強制することである。 遺伝学、ソーシャルネットワーク分析、テキストマイニングなどの多くの実践的応用において、観察は自然に複数の構成要素に属したり、複数の潜伏成分に部分的なメンバーシップを示すことがある。 この制限を克服するために,従来のガウス混合フレームワークを拡張した混合会員サブガウスモデルを提案する。 このモデルは、古典的なガウス混合モデルの解釈可能性を受け継ぎ、複雑な重なり合う構造を捉えるための柔軟性を提供する。 本研究では,各観測の混合メンバシップを推定する効率的なスペクトルアルゴリズムを開発し,成分中心の軽度分離条件下では,各個別メンバシップベクトルの推定誤差を高い確率で任意に小さくすることができることを示す。 我々の知る限り、これはガウス混合モデルの混合メンバーシップ拡張に対してそのような消滅エラーを保証した計算効率の良い推定器を提供する最初の試みである。 本手法は, 混合メンバーシップを無視する既存手法よりも優れていることを示す。

関連論文リスト

• Individual-heterogeneous sub-Gaussian Mixture Models [4.314956204483074]
  個人・異種準ガウス混合モデルを導入する。 そこで本研究では,真のクラスタラベルの正確な復元を実現するための効率的なスペクトル法を提案する。 合成データと実データの両方に関する数値実験により,本手法が既存のクラスタリングアルゴリズムより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-07T02:22:51Z)
• A Bayesian approach to learning mixtures of nonparametric components [12.42953971157138]
  多くの応用において、潜在サブポピュレーション分布に対するパラメトリックな仮定は非現実的である。 ベイズ的非パラメトリックモデリング手法を用いて,非パラメトリック混合成分の有限混合について検討した。
  論文  参考訳（メタデータ） (2025-12-15T05:27:01Z)
• Parsimonious Gaussian mixture models with piecewise-constant eigenvalue profiles [12.889537265772242]
  我々は,一対一の共分散固有値プロファイルを持つ擬似GMMの新たなファミリーを導入する。 様々な教師なし実験において、我々のモデルによって達成された、優れた可能性とパーシモニーのトレードオフを示す。
  論文  参考訳（メタデータ） (2025-07-02T09:52:56Z)
• Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
  ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 本稿では,FCMを用いたクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T08:15:50Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Mixed membership distribution-free model [0.4972323953932129]
  重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。 このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。 このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。
  論文  参考訳（メタデータ） (2021-12-04T18:21:02Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• 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)
• 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)

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。