Faícel Chamroukhi;弗洛里安·莱科克;阮,Hien D。 高斯门专家模型混合中的正则估计和特征选择。 (英语) Zbl 1445.62325号 Nguyen,Hien(编辑),《统计与数据科学》。统计与数据科学研究院学报,澳大利亚墨尔本,2019年7月24日至26日,RSSDS 2019。新加坡:施普林格。Commun公司。计算。信息科学。1150, 42-56 (2019). 摘要:统计学和机器学习文献中已经对专家混合模型及其通过EM算法的最大似然估计(MLE)进行了深入研究。在使用正则化MLE的高维预测因子建模的背景下,他们受到了越来越多的研究。我们使用高斯门控网络检查MoE,以进行聚类和回归,并提出一个(ell_1)正则化MLE来鼓励稀疏模型和处理高维设置。我们开发了一种EM-Lasso算法来进行参数估计,并使用类BIC准则来选择模型参数,包括稀疏性调整超参数。在模拟数据上进行的实验表明,与使用EM算法的标准MLE相比,该正则化MLE具有良好的性能。关于整个系列,请参见[兹比尔1433.68029]. MSC公司: 62兰特 大数据和数据科学的统计方面 62J07型 岭回归;收缩估计器(拉索) 62H30型 分类和区分;聚类分析(统计方面) 关键词:专家组合;群集;特征选择;EM算法;拉索;高维数据 PDF格式BibTeX公司 XML格式引用 \textit{F.Chamroukhi}等人,Commun。计算。信息科学。1150,42-56(2019;Zbl 1445.62325) 全文: 内政部 arXiv公司 参考文献: [1] Chamroukhi,F.:非正常混合专家,2015年7月。arXiv公司:1506.06707 [2] Chamroukhi,F.:使用(t)分布对专家进行稳健混合建模。神经网络。79, 20-36 (2016) ·Zbl 1418.62251号 ·doi:10.1016/j.neunet.2016.03.002 [3] Chamroukhi,F.:专家的非正态混合。In:国际神经网络联合会议(IJCNN),加拿大温哥华,2016年7月·Zbl 1418.62251号 [4] Chamroukhi,F.:专家的混合。神经计算266390-408(2017)·doi:10.1016/j.neucom.2017.05.044 [5] Chamroukhi,F.,Samé,A.,Govaert,G.,Aknin,P.:一个具有隐藏逻辑过程的回归模型,用于从时间序列中提取特征。In:国际神经网络联合会议(IJCNN),第489-496页(2009年)·Zbl 1342.62144号 [6] Chamroukhi,F.,Trabelsi,D.,Mohammed,S.,Oukhellou,L.,Amirat,Y.:多变量时间序列的联合分割与人类活动识别的隐藏过程回归。神经计算120,633-644(2013)·doi:10.1016/j.neucom.2013.04.003 [7] Chamroukhi,F.,Huynh,B.T.:混合专家模型中的正则化最大似然估计和特征选择。《法国社会杂志》第160卷(1)、57-85卷(2019年)·Zbl 1417.62170号 [8] Dempster,A.P.,Laird,N.M.,Rubin,D.B.:通过EM算法获得不完整数据的最大似然。JRSS B 39(1),1-38(1977)·Zbl 0364.62022号 [9] Friedman,J.、Hastie,T.、Höfling,H.、Tibshirani,R.:路径坐标优化。技术报告,《应用统计年鉴》(2007)·Zbl 1378.90064号 [10] Hastie,T.、Tibshirani,R.、Wainwright,M.:《稀疏的统计学习:套索和泛化》。查普曼和霍尔/CRC,伦敦/Boca Raton(2015)·Zbl 1319.68003号 ·doi:10.1201/b18401 [11] Huynh,T.,Chamroukhi,F.:广义线性专家模型混合中的估计和特征选择。arXiv:1907.06994(2019)·兹比尔1417.62170 [12] Jacobs,R.A.、Jordan,M.I.、Nowlan,S.J.、Hinton,G.E.:当地专家的适应性混合。神经计算。3(1), 79-87 (1991) ·doi:10.1162/neco.1991.3.1.79 [13] Jordan,M.I.,Jacobs,R.A.:专家和EM算法的分层混合。神经计算。6, 181-214 (1994) ·doi:10.1162/neco.1996.2.181 [14] Khalili,A.:混合专家模型中的新估计和特征选择方法。可以。《美国联邦法律大全》第38卷第4期,第519-539页(2010年)·Zbl 1349.62071号 ·doi:10.1002/cjs.10083 [15] McLachlan,G.J.,Krishnan,T.:EM算法和扩展,第2版。威利,纽约(2008)·Zbl 1165.62019号 ·doi:10.1002/9780470191613 [16] McLachlan,G.J.,Peel,D.:有限混合模型。威利,纽约(2000年)·Zbl 0963.62061号 ·doi:10.1002/0471721182 [17] Nguyen,H.D.,Chamroukhi,F.:专家混合建模的实践和理论方面:概述。电线数据最小知识。发现。8,e1246-n/a(2018)。https://doi.org/10.1002/widm.1246 ·doi:10.1002/widm.1246 [18] Nguyen,H.D.,Chamroukhi,F.,Forbes,F.:关于线性专家模型的多输出混合的近似结果。神经计算(2019)。https://doi.org/10.1016/j.neucom.2019.08.014 ·doi:10.1016/j.neucom.2019.08.014 [19] Nguyen,H.D.,McLachlan,G.J.:线性专家的拉普拉斯混合。计算。统计数据分析。93, 177-191 (2016) ·Zbl 1468.62147号 ·doi:10.1016/j.csda.2014.10.016 [20] Pan,W.,Shen,X.:基于惩罚模型的聚类及其在变量选择中的应用。J.马赫。学习。第8号决议,1145-1164(2007年)·兹比尔1222.68279 [21] Städler,N.,Bühlmann,P.,van de Geer,S.:重新加入:混合回归模型的l1-惩罚。测试19(2),280-285(2010)·Zbl 1203.62129号 ·doi:10.1007/s11749-010-0203-5 [22] Tibshirani,R.:通过套索进行回归收缩和选择。J.罗伊。统计社会服务。B 58(1),267-288(1996)·Zbl 0850.62538号 [23] Wu,T.T.,Lange,K.:套索惩罚回归的坐标下降算法。附录申请。《统计》第2(1)卷,第224-244页(2008年)。https://doi.org/10.1214/07-AOAS147 ·Zbl 1137.62045号 ·doi:10.1214/07-AOAS147 [24] 徐,L。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。