Yanıtlar:
Gönderen:
Xu L ve Jordan MI (1996). Gauss Karışımları için EM Algoritmasının Yakınsaklık Özellikleri Üzerine . Sinirsel Hesaplama 2: 129-151.
Özet:
Parametre uzayındaki EM adımının gradyandan bir projeksiyon matrisi P vasıtasıyla elde edildiğini ve matris için açık bir ifade sağladığımızı gösterdik.
Sayfa 2
Özellikle EM adımının gradyanı pozitif bir denit matris ile önceden çarparak elde edilebileceğini göstermektedir. Matris için açık bir ifade veriyoruz ...
Sayfa 3
Yani, EM algoritması değişken bir metrik gradyan yükseliş algoritması olarak görülebilir ...
Bu, kağıt, EM algoritmasının açıkça yükselme, Newton, yarı-Newton'a açık dönüşümlerini sağlar.
Gönderen wikipedia
Gradyan iniş, eşlenik gradyan veya Gauss-Newton metodunun varyasyonları gibi maksimum olasılık tahminlerini bulmak için başka metotlar da vardır. EM'den farklı olarak, bu tür yöntemler tipik olarak, olasılık fonksiyonunun birinci ve / veya ikinci türevlerinin değerlendirilmesini gerektirir.
Hayır, eşdeğer değiller. Özellikle, EM yakınsama çok daha yavaştır.
EM'de bir optimizasyon bakış açısıyla ilgileniyorsanız, bu makalede EM algoritmasının daha geniş bir algoritma sınıfı (proksimal nokta algoritmaları) özel bir durum olduğunu göreceksiniz.