• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Orthogonal Stiefel manifold optimization for eigen-decomposed covariance parameter estimation in mixture models
【24h】

Orthogonal Stiefel manifold optimization for eigen-decomposed covariance parameter estimation in mixture models

机译：混合模型中本征分解协方差参数估计的正交Stiefel流形优化

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Within the mixture model-based clustering literature, parsimonious models with eigen-decomposed component covariance matrices have dominated for over a decade. Although originally introduced as a fourteen-member family of models, the current state-of-the-art is to utilize just ten of these models; the rationale for not using the other four models usually centers around parameter estimation difficulties. Following close examination of these four models, we find that two are actually easily implemented using existing algorithms but that two benefit from a novel approach. We present and implement algorithms that use an accelerated line search for optimization on the orthogonal Stiefel manifold. Furthermore, we show that the 'extra' models that these decompositions facilitate outperform the current state-of-the art when applied to two benchmark data sets.
机译：在基于混合模型的聚类文献中，具有特征分解分量协方差矩阵的简约模型已经占据了十多年的时间。尽管最初是由14个成员的模型家族引入的，但当前的最新技术是仅使用其中的10个模型。不使用其他四个模型的理由通常围绕参数估计困难。仔细研究这四个模型后，我们发现使用现有算法实际上很容易实现两个，但是两个都受益于一种新颖的方法。我们提出并实现使用加速线搜索对正交Stiefel流形进行优化的算法。此外，我们表明，当将这些分解应用于两个基准数据集时，这些分解有助于实现的“额外”模型要优于当前的最新技术水平。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号