计算机科学>机器学习
标题: 学习非线性混合:可辨识性和算法
摘要: 线性混合模型已被证明在大量应用中非常有用,例如主题建模、聚类和源分离。 作为线性混合模型的一个重要方面,在独立成分分析和约束矩阵分解等框架下,模型参数的可辨识性得到了很好的研究。 然而,当线性混合物被未知的非线性函数扭曲时——在许多情况下,这种非线性函数动机很强且更现实——可识别性问题的研究就少得多。 本文提出了一种非线性混合模型的识别准则,该准则在许多实际应用中都有很好的基础,并提供了可识别性保证。 为了实现这一准则,提出了一种基于精心设计的神经网络的实际实现方法,并提出了一个有效的学习算法。 合成数据和实际数据的数值结果证实了该方法的有效性。