Estimating the Number of Components in Finite Mixture Models via Variational Approximation
通过变分近似估计有限混合模型的成分数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：摘要研究通用混合模型的成分数选择，未明确对应所列离散选择、结构估计或其他专门方向。
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
通过变分近似估计有限混合模型的成分数
- 研究问题
- 如何利用均值场变分贝叶斯的证据下界选择有限混合模型的成分数，并理解成分数过度设定时的估计行为？
- 方法与思路
- 作者在不要求共轭先验的框架下建立 ELBO 的匹配上下界，以最大化 ELBO 选择模型，并分析过度设定下的后验与变分近似。
- 材料陈述的贡献
- 摘要称，这些界支持成分数选择的一致性，均值场近似倾向消除多余成分，并在过度设定下获得差对数因子的根样本量收敛率。
- 阅读关注点
- 应核对先验和混合成分的限制、上下界如何推出模型选择一致性，以及参数收敛率对应的距离、参数表示和过度设定范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体正则条件和参数度量未说明，不能将相关性质推广到所有有限混合模型或先验。
原文摘要
This work introduces a new method for selecting the number of components in finite mixture models (FMMs) using variational Bayes, inspired by the large-sample properties of the Evidence Lower Bound (ELBO) derived from mean-field (MF) variational approximation. Specifically, we establish matching upper and lower bounds for the ELBO without assuming conjugate priors, suggesting the consistency of model selection for FMMs based on maximizing the ELBO. As a by-product, we show that the MF approximation inherits the stable behavior of the posterior distribution, which benefits from model singularity and tends to eliminate the extra components under model over-specification. This stable behavior also leads to the n−1/2 convergence rate for parameter estimation, up to a logarithmic factor, under model over-specification. Empirical experiments are conducted to validate our theoretical findings and compare with other advanced methods for selecting the number of components in FMMs.