A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Direct Log-Density Gradient Estimation with Gaussian Mixture Models and Its Application to Clustering Estimativa direta de gradiente de densidade logarítmica com modelos de mistura gaussiana e sua aplicação ao clustering

Qi ZHANG, Hiroaki SASAKI, Kazushi IKEDA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A estimativa do gradiente do logaritmo de uma função de densidade de probabilidade é uma ferramenta versátil na análise estatística de dados. Um método recente para agrupamento de busca de modelo chamado agrupamento de gradiente de densidade logarítmica de mínimos quadrados (LSLDGC) [Sasaki et al., 2014] emprega um estimador de gradiente sofisticado, que estima diretamente os gradientes de densidade logarítmica sem passar pela estimativa de densidade. No entanto, a implementação típica do LSLDGC é baseada em uma função gaussiana esférica, que pode não funcionar bem quando a função de densidade de probabilidade para dados possui estruturas locais altamente correlacionadas. Para lidar com este problema, propomos um novo estimador de gradiente para gradientes de densidade logarítmica com modelos de mistura gaussiana (GMMs). Matrizes de covariância em GMMs permitem que o novo estimador capture as estruturas altamente correlacionadas. Através da aplicação do novo estimador de gradiente ao agrupamento por busca de modo e ao agrupamento hierárquico, demonstramos experimentalmente a utilidade de nossos métodos de agrupamento em relação aos métodos existentes.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.6 pp.1154-1162
Data de publicação
2019/06/01
Publicitada
2019/03/22
ISSN online
1745-1361
DOI
10.1587/transinf.2018EDP7354
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Qi ZHANG
  Graduate University for Advanced Studies
Hiroaki SASAKI
  Nara Institute of Science and Technology
Kazushi IKEDA
  Nara Institute of Science and Technology

Palavra-chave