研究人员开发了一种有效的期望最大化（EM）算法，用于处理矩阵变量正态混合模型中的缺失数据。该新算法通过近似条件均值和协方差，显著降低了与任意缺失模式相关的计算成本。它还包括一个针对子矩阵缺失的专用更新，该更新保持了Kronecker积结构，允许在行和列方向上进行独立更新。模拟研究表明，与精确EM相比，这些方法提供了显著的速度提升，同时保持了相似的观测数据似然度，并且该方法已在高光谱图像分析中用于同时进行插补和聚类。 AI
影响 这项研究可以提高复杂数据集统计建模的效率，可能使依赖此类数据的AI应用受益。
排序理由 该项目是一篇详细介绍新统计算法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
- expectation–maximization algorithm
- hyperspectral image patches
- Kronecker covariance structure
- matrix-variate mixture model
- matrix-variate normal mixture models
- partial EM algorithm
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
