Convergence of a stochastic approximation version of the EM algorithm
随机逼近版 EM 算法的收敛性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：摘要讨论一般潜变量计算算法与收敛理论，未提供结构估计或其他所列应用方向的直接依据。
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…
随机逼近版 EM 算法的收敛性
- 研究问题
- 在不完全数据模型中，当 EM 算法的期望步骤无法以闭式形式计算时，如何替代该步骤并建立迭代算法的收敛性质？
- 方法与思路
- 作者提出随机逼近 EM，即 SAEM，用一次随机逼近迭代替代原有期望步骤，并研究算法收敛及其吸引性驻点的性质。
- 材料陈述的贡献
- 摘要称，文章在适用于多种实际情形的条件下证明 SAEM 收敛，并在附加条件下将吸引性驻点与目标函数的局部极大值联系起来。
- 阅读关注点
- 应核对随机逼近的更新与步长条件、收敛结论的具体形式，以及吸引性驻点对应局部极大值所需的附加假设。
- 阅读边界
- 仅依据稿件版本未注明的 OpenAlex 索引摘要；具体收敛条件与计算比较未说明，局部极大值结论不能解释为全局最优保证。
原文摘要
The expectation-maximization (EM) algorithm is a powerful computational technique for locating maxima of functions. It is widely used in statistics for maximum likelihood or maximum a posteriori estimation in incomplete data models. In certain situations, however, this method is not applicable because the expectation step cannot be performed in closed form. To deal with these problems, a novel method is introduced, the stochastic approximation EM (SAEM), which replaces the expectation step of the EM algorithm by one iteration of a stochastic approximation procedure. The convergence of the SAEM algorithm is established under conditions that are applicable to many practical situations. Moreover, it is proved that, under mild additional conditions, the attractive stationary points of the SAEM algorithm correspond to the local maxima of the function presented to support our findings.