偏移非对称拉普拉斯混合专家模型
统计方法学
2026-05-05 v1
摘要
混合专家（Mixture of Experts, MoE）模型为回归、模型化聚类和分类提供了灵活的框架，以处理数据中的异质性。MoE 模型的回归通常基于正态分布假设。为增强对数据呈偏斜、重尾和异常值情形的鲁棒性，本文提出基于偏移非对称拉普拉斯（shifted asymmetric Laplace, SAL）分布的鲁棒非正态 MoE 模型。所提出的 SALMoE 模型克服了高斯 MoE 模型在数据呈非对称和重尾时局限性。通过将小化-最大化（minorization-maximization, MM）算法与经典期望最大化（Expectation-Maximization, EM）算法结合，开发了用于估计 SALMoE 模型参数的专用混合 EM-MM 算法。证明该 EM-MM 算法可产生单调递增的观察对数似然。模拟研究表明该模型具有良好的鲁棒性和实用性。最后，将该模型应用于两个真实经济数据集。
引用
@article{arxiv.2605.02012,
title = {Shifted asymmetric Laplace mixtures of experts},
author = {Sphiwe B. Skhosana and Hien Duy Nguyen},
journal= {arXiv preprint arXiv:2605.02012},
year = {2026}
}