BriefGPT - AI 论文速递
·
逆熵最优运输通过数据似然最大化解决半监督学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文研究了如何估计随机变量X和Y的联合概率，推导出极大似然推断的函数形式，并提出了计算逼近方法。通过Γ-收敛证明，随着观测数量N的增加，可以从经验逼近中恢复真实概率密度。利用熵最优输运核建模假设空间，修改EMML算法解决离散最小化问题，并证明算法的收敛性。示例验证了方法的有效性。
🎯
关键要点
- 研究随机变量X和Y的联合概率估计问题。
- 推导极大似然推断的函数形式，提出可计算的逼近方法。
- 证明Γ-收敛结果，随着观测块数量N增加，能够恢复真实概率密度。
- 利用熵最优输运核建模假设空间，近似推断数据中的转移算子。
- 修改EMML算法以考虑额外的转移概率约束，解决离散最小化问题。
- 证明算法的收敛性，示例验证方法的有效性。
➡️
