Abordagem Variacional para Estimativa Eficiente de Divergência KL em Modelos de Mistura de Dirichlet

Este estudo aborda a estimativa eficiente da Divergência Kullback-Leibler (KL) em Modelos de Mistura de Dirichlet (DMM), crucial para o agrupamento de dados composicionais. Apesar da importância dos DMMs, obter uma solução analiticamente tratável para a Divergência KL tem se mostrado elusiva. Abordagens anteriores relyed em métodos de Monte Carlo computacionalmente exigentes, motivando a nossa introdução de uma nova abordagem variacional. Nosso método oferece uma solução em forma fechada, melhorando significativamente a eficiência computacional para comparações rápidas de modelos e avaliações robustas de estimativas. A validação usando dados reais e simulados demonstra sua eficiência e precisão superiores em relação aos métodos tradicionais baseados em Monte Carlo, abrindo novas avenidas para a exploração rápida de diversos modelos DMM e avançando análises estatísticas de dados composicionais.