異なるガウスベースの混合モデルの比較

本稿では、データを無監督的に均質な成分にクラスタリングする問題に取り組みます。データクラスタリングは、コンピュータビジョンの主要なトピックの一つであり、パターン認識、データマイニング、リモートセンシング、バイオインフォマティクスなど、さまざまな分野に広範な応用の可能性があります。パターン認識においては、統計的手法が広く使用され、正確なモデルを生成することに効果的であることが証明されています。特に、データクラスタリングと分類に優れた性能を提供できる人気のある有限ガウス混合モデルがあります。本研究では、データクラスタリングのための4つの有名なガウスベースの混合モデル、すなわち、ガウス混合モデル（GMM）、一般化ガウス混合モデル（GGMM）、制約付きガウス混合モデル（BGMM）、および制約付き一般化ガウス混合モデル（BGGMM）の性能を示し、評価します。この研究の目的は、成分モデルの選択が混合分解において非常に重要であることを示すことです。実験結果は、異なるモデル間のクラスタリング精度が近いことを示しています。ただし、制約付き一般化ガウス混合モデルは、多次元データの場合に最良のパフォーマンスを提供します。