Mix-nets：包含混合连续与离散变量的贝叶斯网络中的分解高斯混合模型
机器学习
2013-01-18 v1 人工智能
机器学习
摘要
最近开发的技术使得从低维连续空间的数据中快速学习准确的概率密度函数成为可能。特别是，可以使用采用多分辨率 kd 树的加速 EM 算法非常快速地将高斯混合模型拟合到数据中（Moore, 1999）。在本文中，我们提出了一种贝叶斯网络，其中领域变量不同子集上的低维高斯混合模型被组合成整个领域上的连贯联合概率模型。该网络还能够对离散变量和连续变量之间的复杂依赖关系进行建模，而无需对连续变量进行离散化。我们提出了从数据中自动学习这些网络的高效启发式算法，并进行了比较实验，说明了这些网络对真实科学数据和合成数据的建模效果。我们还简要讨论了这些网络的一些可能改进以及可能的应用。
引用
@article{arxiv.1301.3852,
title = {Mix-nets: Factored Mixtures of Gaussians in Bayesian Networks With Mixed Continuous And Discrete Variables},
author = {Scott Davies and Andrew Moore},
journal= {arXiv preprint arXiv:1301.3852},
year = {2013}
}
备注
Appears in Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence (UAI2000)