PulseAugur
中
实时 15:33:35
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.

Show in brief
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
关系
最近 · 第 1/1 页 · 共 2 条
  1. RESEARCH · CL_284717 ·

    梯度EM学习高斯混合模型在高维空间中需要$\sqrt{d}$分离

    一篇新的研究论文探讨了梯度期望最大化(EM)算法在高维环境中学习高斯混合模型(GMM)的局限性。研究表明,缩放为$\Omega(d^{0.5-\epsilon})$的分量分离不足以保证全局收敛,从而为此类学习建立了近乎最优的最坏情况下界。

  2. TOOL · CL_208307 ·

    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。