PulseAugur
中
实时 09:41:32
English(EN) E$^2$M: Double Bounded $\alpha$-Divergence Optimization for Tensor-based Discrete Density Estimation

新的E2M算法增强了基于张量的密度估计

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为E$^2$M的新期望最大化（EM）算法，用于基于张量的离散密度估计。该算法通过首先使用Kullback-Leibler（KL）散度最小化一个代理目标来解决传统$\alpha$-散度方法的挑战，这允许标准的EM更新。然后，它在M步中采用张量多体近似来实现同步的闭式参数更新。E$^2$M算法支持对各种低秩结构（包括CP、Tucker和张量训练格式）的灵活建模，并已在合成和真实数据集上展示了与基于梯度的方法相当的收敛性、对异常值的鲁棒性以及卓越的密度估计性能。 AI

影响 引入了一种新颖的密度估计算法方法，有望提高各种机器学习应用的性能。

排序理由 该集群包含一篇详细介绍新算法及其评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的E2M算法增强了基于张量的密度估计

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Kazu Ghalamkari, Jesper L{\o}ve Hinrich, Morten M{\o}rup ·

    E$^2$M：基于张量的离散密度估计的双有界 $\alpha$-散度优化

    arXiv:2405.18220v4 Announce Type: replace Abstract: Tensor-based discrete density estimation requires flexible modeling and proper divergence criteria to enable effective learning; however, traditional approaches using $\alpha$-divergence face analytical challenges due to the $\a…

相关话题