Key points are not available for this paper at this time.
Die MAP-Schätzung von Gaussian-Mischungen durch Maximierung von penalisierten Wahrscheinlichkeiten wurde verwendet, um Modelle des räumlichen Kontexts zu erlernen. Dies ermöglichte es, vorherige Annahmen über die Skalierung, Orientierung und Verlängerung von semantischen Regionen zu kodieren und förderte 1:1-Zuordnungen zwischen Mischkomponenten und diesen Regionen. In Kombination mit der minimalen Beschreibungslänge ermöglichte dies das automatische Lernen von Inaktivitätszonen und Eintrittszonen aus Verfolgungsdaten in einer unterstützenden Wohnumgebung.
McKenna et al. (Do,) haben diese Frage untersucht.