혼합 모델의 레이블 전환 문제 다루기

요약 유한 혼합 모델의 베이esian 분석에서 매개변수 추정 및 클러스터링은 기대했던 것보다 덜 간단할 때가 있습니다. 특히 매개변수를 사후 평균으로 추정하고 공동 사후 분포를 한계 분포로 요약하는 일반적인 관행은 종종 터무니없는 결과를 초래합니다. 이는 매개변수의 우도에 대한 대칭으로 인해 발생하는 이른바 '레이블 전환' 문제 때문입니다. 이 문제에 대한 일반적인 응답은 인위적인 식별 가능성 제약을 사용하여 대칭을 제거하는 것입니다. 그러나 우리는 이것이 일반적으로 문제를 해결하지 못한다는 것을 보여주며, 손실 함수 클래스에 따라 사후 예상 손실을 최소화하려는 시도로부터 발생하는 대체 접근법인 재레이블링 알고리즘을 설명합니다. 우리는 특히 간단하고 일반적인 재레이블링 알고리즘을 자세히 설명하고 두 가지 예에서 레이블 전환 문제를 처리하는 데 성공적인 토대를 보여줍니다.