Riemannian Gradient Descent for Gaussian Mixture Models with unknown diagonal covariances
未知对角协方差高斯混合模型的黎曼梯度下降AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用混合模型与优化算法，没有所列微观、宏观或金融细分应用的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
未知对角协方差高斯混合模型的黎曼梯度下降
- 研究问题
- 在高斯混合模型的成分数和对角协方差均未知时，如何求解测度空间中的稀疏优化问题，并理解成分分离对恢复的影响？
- 方法与思路
- 作者将锥粒子梯度下降与黎曼梯度下降结合，在 BLASSO 框架中利用高斯分布的 Fisher-Rao 几何进行数值求解。
- 材料陈述的贡献
- 摘要称，非退化条件下算法具有局部指数收敛，并将该条件联系到成分分离；所考察实验显示对成分数过设较 EM 稳健。
- 阅读关注点
- 应核对非退化及分离条件、局部收敛的初始范围、实际实现细节，以及成分数过设实验中与 EM 比较的设置和恢复指标。
- 阅读边界
- 这是 arXiv v1 预印本，同行评审和期刊接收未核实；摘要未给出完整收敛条件，局部保证及特定实验结果不能推广为全局或普遍优势。
原文摘要
This paper investigates the numerical resolution of the Beurling-LASSO (BLASSO), a convex optimization framework that promotes sparsity in the space of measures. We consider its application to the estimation of Gaussian mixture models (GMMs) with an unknown number of components and unknown diagonal covariance matrices. Our approach combines the Conic Particle Gradient Descent (CPGD) principle with Riemannian gradient descent, to account for the underlying Fisher-Rao geometry of Gaussian distributions. Our contributions are twofold. First, we provide theoretical guarantees for the convergence of our algorithm. In particular, we establish exponential local convergence under a non-degeneracy condition on the solution and relate this assumption to a separation condition on the underlying statistical target. Second, we address practical implementation aspects of CPGD and present numerical experiments illustrating its performance. On the test cases considered, these experiments suggest that CPGD is more robust to overspecification of the number of components than the EM algorithm. We also investigate the impact of component separation on recovery accuracy.