一种应用于高斯混合约简的新概率距离度量
机器学习
2023-06-14 v1 应用统计
统计计算
摘要
本文提出一种新的距离度量来比较两个连续概率密度函数。该度量的主要优势在于，与其他统计度量不同，它能在满足所有度量性质的同时，为高斯混合分布提供解析的闭式表达。这些特性使得计算快速、稳定且高效，这在现实世界的信号处理应用中极为可取。所考虑的应用是高斯混合约简（GMR），其广泛用于密度估计、递归跟踪和信念传播。为解决此问题，我们开发了一种称为基于优化的贪婪 GMR（OGGMR）的新算法，该算法采用我们的度量作为准则，用低阶高斯混合来近似高阶高斯混合。实验结果表明，OGGMR 算法在保留原始混合几何形状的同时，比最先进的 GMR 算法显著更快、更高效。
引用
@article{arxiv.2306.07309,
title = {A New Probabilistic Distance Metric With Application In Gaussian Mixture Reduction},
author = {Ahmad Sajedi and Yuri A. Lawryshyn and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2306.07309},
year = {2023}
}