Efficient greedy estimation of mixture models through a binary tree search

با توجه به مدل های مخلوط، که در آن اجزای مخلوط به خوشه ها در فضای داده وابسته است، می توان با خوشه بندی داده های ذخیره شده، می توان از خوشه بندی استفاده کرد. در این مقاله، یک الگوریتم طبقه بندی جدید کنترل نشده بر اساس برآورد همزمان پارامترهای مخلوط و تعداد قطعات (پیچیدگی) ارائه می کنیم. جنبه متمایز آن این است که چگونه فضای داده جستجو می شود. الگوریتم ما از یک کامپوننت تک تمام فضای ورودی شروع می شود و به ترتیب مولفه ها را با توجه به جستجوی اول در ساختار درخت باینری تقسیم می کند که اکتشاف کارآیی راه حل های ممکن را فراهم می کند. طرح پیشنهادی صرفه جویی های محاسباتی مهم را نسبت به دیگر الگوریتم های پیشرفته ای نشان می دهد، و آن را به خصوص برای سناریوهایی که در آن زمان عملکرد یک مسئله است، مانند برنامه های کاربردی بین کامپیوتر و روبات، مناسب می باشد. روش اولیه سازی منحصر به فرد است، اجازه می دهد تکامل قطعی الگوریتم، در حالی که برآورد پارامتر با اصلاح الگوریتم به حداکثر رساندن انتظار انجام می شود. برای مقایسه مدل ها با پیچیدگی های مختلف، ما از معیارهای اطلاعات کمترین پیام پیروی می کنیم که پیوند بین تعداد مولفه ها و احتمال ورود به اطلاعات مناسب را پیاده سازی می کند. ما رویکرد جدید ما با آزمایشات بر روی داده های مصنوعی را معتبر می دانیم و از رویکرد مربوط به کارایی محاسباتی آن در برنامه های تقسیم بندی تصویر با فشرده سازی داده کاوش می کنیم.