用于建模连续不确定性的高斯混合与最小相对熵技术
人工智能
2013-03-08 v1
摘要
不确定性下的概率推理和决策问题通常涉及连续随机变量。这些变量通常被离散化为少数几个点，以简化评估和计算。另一种近似方法是拟合解析上易于处理的连续概率分布。这种方法具有潜在的简单性和准确性优势，特别是如果可以先对变量进行变换。本文展示了最小相对熵准则如何驱动变换和拟合过程，并通过幂和对数变换族以及高斯（正态）分布的混合进行说明，这些方法允许使用高效的影响图方法。这种情况下的拟合过程是著名的 EM 算法。拟合混合分布中组件数量的选择是自动化的，其目标是在准确性和计算成本之间进行权衡。
引用
@article{arxiv.1303.1476,
title = {Mixtures of Gaussians and Minimum Relative Entropy Techniques for Modeling Continuous Uncertainties},
author = {William B. Poland and Ross D. Shachter},
journal= {arXiv preprint arXiv:1303.1476},
year = {2013}
}
备注
Appears in Proceedings of the Ninth Conference on Uncertainty in Artificial Intelligence (UAI1993)