Alternative EM methods for nonparametric finite mixture models
非参数有限混合模型的替代 EM 方法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。
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：摘要研究已知成分密度下混合权重的通用似然优化，未明确涉及离散选择或经济结构估计，分类证据不足。
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…
关注这篇论文的作者
非参数有限混合模型的替代 EM 方法
- 研究问题
- 在有限个已知成分密度、未知混合权重的似然优化中，如何缓解成分难以区分或最优权重位于零边界时传统 EM 收敛缓慢的问题？
- 方法与思路
- 作者先设计新的数据扩充方案以加速部分参数方向，再通过两种循环版本在 EM 步之间改变缺失数据表示，扩展加速方向。
- 材料陈述的贡献
- 摘要称，循环数据扩充进一步改善收敛速度，所给示例中可比传统 EM 快至五百倍；这是特定示例的算法表现陈述。
- 阅读关注点
- 应核对两阶段更新的具体规则、边界权重处理、似然单调性与收敛保证，并确认五百倍比较采用的停止标准和成本指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。加速倍数来自示例，摘要未说明运行成本和一般保证，不能视为所有混合模型的统一提速。
原文摘要
This research focuses on a general class of maximum likelihood problems in which it is desired to maximise a nonparametric mixture likelihood with finitely many known component densities over the set of unknown weight parameters. Convergence of the conventional EM algorithm for this problem is extremely slow when the component densities are poorly separated and when the maximum likelihood estimator requires some of the weights to be zero, as the algorithm can never reach such a boundary point. Alternative methods based on the principles of EM are developed using a two‐stage approach. First, a new data augmentation scheme provides improved convergence rates in certain parameter directions. Secondly, two ‘cyclic versions’ of this data augmentation are created by changing the missing data formulation between the EM‐steps; these extend the acceleration directions to the whole parameter space, giving another order of magnitude increase in convergence rate. Examples indicate that the new cyclic versions of the data augmentation schemes can converge up to 500 times faster than the conventional EM algorithm for fitting nonparametric finite mixture models.