다층 다항 디리클레 혼합에 기반한 계층적 카운트 데이터 클러스터링: 마이너리제이션-맥시미제이션 프레임워크 사용

혼합 모델의 널리 인정받음에도 불구하고, 좋은 결과를 얻는 데에는 여러 가지 도전이 있습니다. 본 논문에서는 매개변수 추정과 데이터 표현 전략이라는 두 가지 주요 문제를 다룹니다. 기대-최대화(EM)는 매개변수 추정을 위한 널리 사용되는 프레임워크입니다. 그러나 많은 요인들이 사후 분포와 매개변수의 복잡한 계산을 통해 과정을 혼란스럽게 만듭니다. 마이너리제이션-맥시미제이션(MM)은 EM의 복잡성과 요구사항을 완화하는 대안 프레임워크입니다. 본 논문은 다층 다항 디리클레 혼합을 위해 MM 프레임워크를 계층적으로 채택합니다. MNDM의 계층적 특성은 잘 알려진 공간 피라미드 매칭 방법의 결과로 표시된 데이터인 계층적 특징 학습 프레임워크(HFL)를 통해 활용됩니다. 게다가 혼합 구성 요소는 최소 메시지 길이(MML)에 의해 결정됩니다. 따라서 본 논문은 MNDM의 데이터 표현을 위한 HFL 프레임워크를 제시하며, 여기서 학습은 MM 프레임워크에 기반하고, 선택은 MML에 기반합니다. 두 가지 개선의 검증은 리콜 및 정밀도 성능 지표를 사용하여 세 가지 시각적 데이터셋을 통해 입증됩니다.