实体
Gradient-embedded video anomaly detection
Gradient-embedded video anomaly detection
PulseAugur coverage of Gradient-embedded video anomaly detection — every cluster mentioning Gradient-embedded video anomaly detection across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
关系
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
梯度EM在高维高斯混合模型中学习需要 $\sqrt{d}$ 分离
一篇新论文探讨了梯度EM算法在高维高斯混合模型学习中对分量分离的必要性。研究表明，即使在过参数化的情况下，阶数约为 $\Omega(d^{0.5-\epsilon})$ 的分离也不足以保证在亚指数时间内全局收敛。这一发现为所需真实分量分离度设定了一个近乎最优的最坏情况下界。
-
梯度EM算法在过参数化高斯混合模型上实现了全局收敛
研究人员为梯度期望最大化（EM）算法应用于过参数化高斯混合模型（GMMs）时建立了全局收敛保证。这是EM或其梯度变体在超出两分量特定情况之外的首个此类结果。研究表明，在轻微过参数化的情况下，即学习模型使用 $n = \Omega(m\log m)$ 个分量来拟合一个 $m$ 分量真实GMM时，随机初始化的梯度EM可以在多项式时间和样本复杂度内收敛到正确解。该分析引入了用于GMM分析的新颖工具，以表征算法动力学和似然损失景观。