English(EN) Differentiable Expectation-Maximisation and Applications to Gaussian Mixture Model Optimal Transport

新方法实现机器学习的可微期望最大化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

研究人员开发了新方法，使期望最大化（EM）算法（如高斯混合模型（GMM）等统计和机器学习任务的常用工具）能够进行端到端梯度传播。这一进展使得EM能够集成到现代学习流程中。该工作还引入了一种可微EM的新应用，用于计算GMM之间的混合Wasserstein距离（$\mathrm{MW}_2$），使其能够用作各种成像和机器学习应用（包括图像生成和纹理合成）中的可微损失函数。 AI

影响使一种常用的统计算法能够集成到现代基于梯度的学习流程中，有望提高生成和成像任务的性能。

排序理由详细介绍机器学习新算法的学术论文。[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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍机器学习新算法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 7 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Samuel Bo\"it\'e, Eloi Tanguy, Julie Delon, Agn\`es Desolneux, R\'emi Flamary · 2026-10-01 04:00

可微分期望最大化及其在高斯混合模型最优传输中的应用

arXiv:2509.02109v3 Announce Type: replace-cross Abstract: The Expectation-Maximisation (EM) algorithm is a central tool in statistics and machine learning, widely used for latent-variable models such as Gaussian Mixture Models (GMMs). Despite its ubiquity, EM is typically treated…

本文如何被排名

报道来源 [1]

可微分期望最大化及其在高斯混合模型最优传输中的应用

相关实体

相关话题