Các mô hình hỗn hợp Gaussian (GMM) rất hấp dẫn bởi vì chúng đơn giản để làm việc với cả trong phân tích và thực tế và có khả năng mô hình hóa một số phân phối kỳ lạ mà không quá phức tạp. Có một vài thuộc tính phân tích mà chúng ta nên dự kiến sẽ nắm giữ mà không rõ ràng nói chung. Đặc biệt:
- Nói là lớp của tất cả các hỗn hợp Gaussian với thành phần. Đối với bất kỳ phân phối liên tục nào trên thực tế, chúng tôi có đảm bảo rằng khi phát triển, chúng tôi có thể tính xấp xỉ với một GMM với tổn thất không đáng kể theo nghĩa entropy tương đối không? Đó là,
- Giả sử chúng tôi có phân phối liên tục và chúng tôi đã tìm thấy hỗn hợp Gaussian N -component \ hat {P} gần với P trong tổng biến thể: \ delta (P, \ hat {P}) <\ varepsilon . Chúng ta có thể ràng buộc D (P || \ hat {P}) về mặt \ epsilon không?P P δ ( P , P ) < ε D ( P | | P ) ε
- Nếu chúng tôi muốn quan sát thông qua tiếng ồn phụ gia độc lập (cả thực, liên tục) và chúng tôi có GMMs trong đó , khi đó giá trị này nhỏ: nghĩa là có đúng khi ước lượng nhiễu qua khó như ước tính qua không?
- Bạn có thể làm điều đó cho các mô hình tiếng ồn không phụ gia như tiếng ồn Poisson không?
Đánh giá tài liệu (ngắn) của tôi cho đến nay chỉ bật lên các hướng dẫn rất áp dụng. Có ai có bất kỳ tài liệu tham khảo nào thể hiện nghiêm ngặt trong những điều kiện nào chúng ta có lý khi sử dụng các mô hình hỗn hợp không?