关于高斯 copula 混合模型的性质
机器学习
2023-05-25 v2 机器学习
摘要
本文研究高斯 copula 混合模型（GCMM），它是融入 copula 概念的高斯混合模型（GMM）的扩展。本文给出 GCMM 的数学定义并探讨其似然函数的性质。此外，本文提出扩展的期望最大化（Expectation Maximum）算法来估计 copula 混合模型的参数。各分量对应的边际分布使用非参数统计方法分别估计。实验中，在使用相同簇数的情况下，GCMM 相比 GMM 展现出更好的拟合优度。进一步地，GCMM 能够利用跨维度的非同步数据以进行更全面的数据分析。
引用
@article{arxiv.2305.01479,
title = {On the properties of Gaussian Copula Mixture Models},
author = {Ke Wan and Alain Kornhauser},
journal= {arXiv preprint arXiv:2305.01479},
year = {2023}
}
备注
11 pages paper for theoretical properties and new algorithms for GCMM