Beyond Independent Components: Trees and Clusters

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Bach F.,  Jordan M.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 29 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 213 کیلوبایت 

قیمت کتاب (تومان) : 51,000

نویسندگان: Francis R. Bach, Michael I. Jordan.
منتشر شده در Journal of Machine Learning Research 4 (2003)، صفحات 1205-1233.
سال: 2003.
فرمت: PDF. چکیده:
ما یک تعمیم تجزیه و تحلیل مؤلفه های مستقل (ICA) را ارائه می کنیم، که در آن به جای جستجوی یک تبدیل خطی که مؤلفه های داده را مستقل می کند، ما به دنبال تبدیلی باشید که اجزای داده را به خوبی با یک مدل گرافیکی با ساختار درختی متناسب کند. این تجزیه و تحلیل مؤلفه های وابسته به درخت (TCA) یک رویکرد قابل انعطاف و قابل انعطاف برای تضعیف فرض استقلال ICA ارائه می دهد. به طور خاص، TCA به گراف زیربنایی اجازه می‌دهد تا چندین مؤلفه متصل داشته باشد، و بنابراین این روش می‌تواند «خوشه‌ها» از مؤلفه‌ها را پیدا کند به طوری که مؤلفه‌ها در یک خوشه وابسته و بین خوشه مستقل باشند. در نهایت، ما از مفهومی از مدل های گرافیکی برای سری های زمانی به دلیل برلینگر (1996) استفاده می کنیم تا این ایده ها را به تنظیمات زمانی گسترش دهیم. به طور خاص، ما می‌توانیم مدل‌هایی را که وابستگی‌های دارای ساختار درختی را در میان سری‌های زمانی متعدد ترکیب می‌کنند، برازش دهیم.

Authors: Francis R. Bach, Michael I. Jordan.
Pusblished in Journal of Machine Learning Research 4 (2003), pp. 1205-1233.
Year: 2003.
Format: PDF. Abstract:
We present a generalization of independent component analysis (ICA), where instead of looking for a linear transform that makes the data components independent, we look for a transform that makes the data components well fit by a tree-structured graphical model. This tree-dependent component analysis (TCA) provides a tractable and flexible approach to weakening the assumption of independence of ICA. In particular, TCA allows the underlying graph to have multiple connected components, and thus the method is able to find "clusters" of components such that components are dependent within a cluster and independent between cluster. Finally, we make use of a notion of graphical models for time series due to Brillinger(1996) to extend these ideas to the temporal setting. In particular, we are able to fit models that incorporate tree-structured dependencies among multiple time series.