Gaussian Mixture Model with unknown diagonal covariances via continuous sparse regularization
未知对角协方差的高斯混合模型：连续稀疏正则化方法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。
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：摘要聚焦高斯混合模型的非参数统计估计与恢复保证，属于统计理论方向，与所列微观、宏观、金融等应用计量细分领域均无直接文本对应，故不选择。
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…
未知对角协方差的高斯混合模型：连续稀疏正则化方法
- 研究问题
- 摘要称，本文研究独立同分布样本下、各分量协方差矩阵未知且为对角阵的高斯混合模型统计估计问题，需同时估计分量个数与各分量参数。
- 方法与思路
- 作者提出将 Beurling-LASSO 这一在测度空间上促进稀疏性的凸优化框架推广到多变量高斯混合模型，允许每个分量拥有各自未知的对角协方差矩阵，并借助统计模型的 Fisher-Rao 几何构造非退化对偶证书。
- 材料陈述的贡献
- 摘要称主要贡献是把 BLASSO 方法扩展到分量特定未知对角协方差的情形，比此前要求协方差已知且相同的方法更灵活；并建立均值、对角协方差、权重与密度预测的非渐近恢复保证，收敛速率接近参数速率，同时给出显式的分量分离条件。
- 阅读关注点
- 阅读全文时应核对：分离条件的具体形式与可验证性、对偶证书的构造细节、非渐近界所依赖的假设（如最小权重、信噪比、分量数上界）、速率中维数与分离度的关系，以及数值实验是否支持理论结论。
- 阅读边界
- 仅凭摘要无法判断证明的完整性与假设的强弱，也无法核实速率常数、实验表现或与既有方法的实际比较；摘要未说明具体算法实现、调参方式与计算复杂度。该文为 arXiv 预印本，尚未经同行评审或期刊接收。
原文摘要
This paper addresses the statistical estimation of Gaussian Mixture Models (GMMs) with unknown diagonal covariances from independent and identically distributed samples. We employ the Beurling-LASSO (BLASSO), a convex optimization framework that promotes sparsity in the space of measures, to simultaneously estimate the number of components and their parameters. Our main contribution extends the BLASSO methodology to multivariate GMMs with component-specific unknown diagonal covariance matrices. This setting is significantly more flexible than previous approaches, which required known and identical covariances. We establish non-asymptotic recovery guarantees with nearly parametric convergence rates for component means, diagonal covariances, and weights, as well as for density prediction. A key theoretical contribution is the identification of an explicit separation condition on mixture components that enables the construction of non-degenerate dual certificates-essential tools for establishing statistical guarantees for the BLASSO. Our analysis leverages the Fisher-Rao geometry of the statistical model and introduces a novel semi-distance adapted to our framework, providing new insights into the interplay between component separation, parameter space geometry, and achievable statistical recovery.