Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

论文:高斯混合模型的似然方法中的局部极大值:结构结果和算法结果

Synced (181).jpg

摘要

对于混合模型 M≥3 的高斯混合模型,这篇论文提供了无限样本集合的似然函数(population ( infinite-sample ) likelihood function)的两个基本结论。第一个结论揭示了,即使在相同权重、区分度很大的混合球形高斯分布中,集合的似然函数依然产生坏局部最大值(bad local maxima)。我们证明了,这些坏局部最大值的 Log 似然值可能比任何一个全局最优更糟糕,从而也解决了 Srebro 提出的问题(2007)。第二个结论揭示了,随机初始化的 EM 算法(这里用的是它的一个一阶变种(first-order variant))会以大于等于 1−e−Ω(M) 的概率收敛到坏关键点(bad critical points)。更进一步,我们建立了一个 EM 的一阶变种(first-order variant),使它几乎肯定不会收敛到极值鞍点(strict saddle points),这表明一阶方法的差表现可以被归咎于坏局部最大值而不是坏鞍点。总之,我们的结论强调了,使用 EM 算法时(即使该算法被用在非常有利的设定下)谨慎的初始化的必要性。

论文地址:Local Maxima in the Likelihood of Gaussian Mixture Models: Structural Results and Algorithmic Consequences

入门论文UC BerkeleyCMU理论
暂无评论
暂无评论~