抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Dirichletプロセス混合モデル(DPMM)は,密度推定とクラスタリングのために広く使われているBayesノンパラメトリックアプローチである。本論文では,Gaussカーネルを採用したときの分散または精度行列に対する事前選択を研究した。典型的には,関連する文献において,混合モデルの評価は,単に手の寸法の空間における観察を考慮することによって行われる。代わりに,20次元までの空間において,より高い次元のより現実的な問題に関する。問題の次元が増加するにつれ,事前の選択がますます重要になることを観測した。より高い次元の問題における標準事前の特定の望ましくない特性を同定した後に,著者らは,可能な代替の事前のレビューと実装を行った。MCMCサンプラの収束に影響する他の因子と同様に,最も有望な先物を同定した。著者らの結果は,事前の選定が信頼できる事後推論を導くために重要であることを示した。この原稿は,それらの実施のための詳細なガイドラインで,可能な先物に対する完全な概観と比較研究を提供する。本研究はクラスタリングにおけるDPMMの使用に焦点を合わせるが,密度推定にも適用可能である。【JST・京大機械翻訳】