Uniqueness and global optimality of the maximum likelihood estimator for the generalized extreme value distribution
三参数广义极值分布起源于经典的单变量极值理论,常用于分析观测现象的远尾。奇怪的是,在这个标准模型下的似然估计的重要渐近性质尚未建立。在本文中,我们正式证明了极大似然估计是整体和唯一的。一个有趣的次要结果是一类极限关系在形状参数的紧邻域中的一致相合性。
2020-08-14 math.ST stat.ME stat.TH
On the maximum likelihood estimator for the Generalized Extreme-Value distribution
单变量极值理论中的vanilla方法包括将三参数广义极值(GEV)分布拟合到块极大值的样本。尽管有相反的说法,但最大似然估计量的渐近正态性从未被建立。本文利用一个一般结果给出了支持度依赖于参数的二次均值可微的参数族的极大似然估计的一个形式证明。一个有趣的副作用是关于GEV族的二次均值的可微性(缺乏)。
2017-03-15 math.ST stat.TH
Asymptotic theory for extreme value generalized additive models
Graduate School of Science and Engineering, Kagoshima University(鹿儿岛大学理工学研究科)
本文研究了极值广义加性模型与广义极值分布结合的渐近理论,探讨了形状和尺度函数估计量的收敛速度及其局部渐近正态性。
2025-11-20 math.ST stat.TH
Generalized Pareto Copulas: A Key to Multivariate Extremes
本文综述了多元极值理论的核心-广义Pareto copula(GPC)。任何广义预测控制都可以用$\mathbb{R}^d$上的一种特殊类型的范数(称为$D$ -范数)以一种简单的分析方式表示。GPC的特征性质是其电导稳定性。GPC可能有助于结束争论:什么是多元广义帕累托分布?我们提出了一个简单的方法来模拟数据从任意GPC,因此,从任意广义帕累托分布。作为一个应用程序,我们得出的概率,随机向量,它遵循GPC,超过一个高阈值,连同置信区间的非参数估计。本文最后以大气污染物联合扩散概率为例进行了分析。
2018-11-23 math.ST stat.TH
Parameter estimation for the generalized extreme value distribution: a method that combines bootstrapping and r largest order statistics
本文提出将r个最大次序统计量与置换自助法相结合估计广义极值分布参数,并在合成数据与真实气象序列上验证其估计精度优于单独使用任一方法。
2024-08-07 stat.AP stat.ME
Generalized random forest for extreme quantile regression
本文提出一种结合极值理论与广义随机森林的极端分位数回归方法,用协变量相关参数近似块最大值条件分布,并在模拟和气象数据上验证其有效性。
2025-08-20 stat.ME
A comparative review of generalizations of the Gumbel extreme value distribution with an application to wind speed data
广义极值分布及其特例Gumbel极值分布在极值分析中有着广泛的应用。Gumbel分布有一定的缺点,因为它是一个非重尾分布,其特征是恒定的偏度和峰度。广义极值分布经常在这种情况下使用,因为它包含了三种可能的极限分布,用于独立和同分布观测的无限样本的归一化最大值。然而,广义极值分布可能不是一个合适的模型时,每个观察到的最大值不是来自大量的观察。因此,Gumbel分布的其他形式的推广可能是更可取的。我们的目标是收集在目前的文献中的分布,包含Gumbel分布嵌入其中,并确定那些具有灵活的偏度和峰度,重尾,并可能与广义极值分布的竞争。广义的Gumbel分布的描述和比较使用的应用程序的风速数据集和蒙特卡罗模拟。我们发现,一些分布遭受过参数化,并与其他广义Gumbel分布与较少的参数,即,是不可识别的。我们的研究表明,在实际应用中应考虑广义极值分布和两个极值分布的混合。
2015-08-11 stat.ME stat.OT
Asymptotic posterior normality of the generalized extreme value distribution
针对广义极值分布因不满足标准正则条件导致渐近理论发展不足的问题,本文证明了在给定独立同分布样本时其参数向量的后验分布依分布收敛于三元正态分布。
2023-06-30 math.ST stat.ME stat.TH
The Asymptotic Properties of the Extreme Eigenvectors of High-dimensional Generalized Spiked Covariance Model
本文针对高维广义尖峰协方差模型,去除块对角等限制假设,运用随机矩阵理论推导极端特征向量投影的渐近性质,技术稳健,还提出了协方差矩阵特征空间假设检验的强效统计量。
2024-05-14 math.ST stat.TH
Extrapolation of extreme covariates in generalized additive regression using extreme-value theory
INRAE(法国国家农业食品环境研究院);University of Geneva(日内瓦大学);Univ Brest, CNRS UMR 6205, Laboratoire de Mathématiques de Bretagne Atlantique(布雷斯特大学、法国国家科学研究中心第6205联合研究单位、布列塔尼大西洋数学实验室)
研究在协变量外推时提升广义加性模型预测性能的方法,将GAMs与多元极值理论渐近模型结合,考虑二元及连续响应,以欧洲野火应用为例探索新方法对预测的改善。
2026-09-15 stat.ME
Multi-Quantile Estimators for the parameters of Generalized Extreme Value distribution
本文提出多分位数估计量用于广义极值分布参数估计,其渐近正态且一致,方差随分位数增加而减小,可接近Cramér-Rao下界,为极值建模提供灵活高效方案。
2025-02-27 stat.ME
Asymptotic generalized bivariate extreme with random index
在许多生物、农业、军事活动问题和一些质量控制问题中,由于各种原因,总是有一些观测数据丢失,因此几乎不可能有一个固定的样本量。因此,样本量本身通常被认为是一个随机变量(rv)。充分刻画了独立同分布RV的随机二元极值广义顺序统计量(GOS)的极限分布函数类.当随机样本量与基本变量无关且其分布函数弱收敛于非退化极限时,得到了随机二元极值广义系统弱收敛的充要条件.在随机尺寸与基本rv的相互关系不受限制的情况下,导出了收敛的充分条件和极限df的形式。给出了说明性的例子,进一步支持我们的理论结果。
2017-01-17 math.ST stat.TH
Robust and efficient estimation for the Generalized Extreme-Value distribution with application to flood frequency analysis in the UK
Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学)
针对区块极值样本有限且最大似然估计易受异常值影响的问题,提出基于密度幂散度、由 α 调节稳健性与效率的广义极值分布估计量,并验证其理论性质、实证表现及英国洪水频率分析应用。
2025-10-02 math.ST stat.AP stat.ME
Bankruptcy Prediction of Small and Medium Enterprises Using a Flexible Binary Generalized Extreme Value Model
本文提出了一个基于会计的二元回归模型用于中小企业破产预测。该模型的主要优势在于其在识别违约中小企业方面的预测性能。另一个与银行特别相关的优点是,中小企业的会计特点与反应之间的关系不是事先假定的(例如,线性的、二次的或三次的),并且可以从数据中确定。该方法使用广义极值分布的分位数函数作为链接函数,以及会计特征的平滑函数,灵活地建模协变量的影响。因此,评分模型中的对称连接函数和线性或预先设定的协变量-响应关系的通常假设被放松。意大利数据的样本外和时间外验证表明,我们的建议优于常用的(逻辑)评分模型不同的默认范围。
2013-12-10 stat.ME
Generalized method of L-moment estimation for stationary and nonstationary extreme value models
XRAI Inc.(XRAI公司);Chonnam National University(全南国立大学);Mahasarakham University(玛哈沙拉堪大学)
本文提出广义L矩估计法(GLME)用于平稳和非平稳极值模型,通过引入惩罚函数或先验信息校正LME的偏差,提升估计精度。
2025-12-23 stat.AP stat.CO stat.ME
Exponentiated Generalized Pareto Distribution: Properties and applications towards Extreme Value Theory
广义帕累托分布(GPD)在许多应用中对重尾现象的建模起着核心作用。然而,将GPD应用于实际数据集是一项重要的任务。文献中建议的一种研究尾部行为的常见方法是对原始数据集取对数,以减少样本变异性。受此启发,我们提出并研究了指数广义帕累托分布(exGPD),这是通过对数变换的GPD变量创建。在引入exGPD之后,我们导出了各种分布量,包括矩母函数,尾部风险度量。作为一个应用程序,我们还开发了一个图作为希尔图的替代方案,以确定重尾数据集的尾指数,基于exGPD的矩匹配。模拟和实际数据集的各种数值分析表明,所提出的情节效果良好。
2017-08-04 math.ST stat.TH
Fast and Feasible Estimation of Generalized Linear Models with High-Dimensional k-way Fixed Effects
本文提出了一种快速且记忆效率高的算法,用于估计具有可加可分k路误差分量的广义线性模型。蛮力方法使用虚拟变量来解释未观察到的异质性,但很快就会面临计算限制。因此,我们展示了如何将加权版本的Frisch-Waugh-Lovell定理与交替投影的方法相结合,以显着降低计算成本。该算法在以下情况下特别有用:基于虚拟变量的具有k向固定效应的广义线性模型计算量大,甚至由于时间或内存限制而不可行。在模拟研究和实证应用中,我们证明了我们的算法的性能。
2018-07-23 stat.AP stat.CO
Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts
近年来,集合天气预报已成为所有主要天气预报中心的例行工作。这些预报是从不同初始条件或模式参数化的数值天气预报模式的多次运行中获得的。然而,集合预报往往分散性不足,也有偏差,因此需要某种后处理来解决这些缺陷。最流行的统计后处理技术之一是集合模型输出统计(EMOS),它提供了一个完整的预测分布的研究天气量。本文提出了一种新的EMOS风速集合预报模型,其预报分布为广义极值分布(GEV)。截断修正了基于GEV分布的EMOS模型偶尔预测负风速值的缺点,而不影响其良好的性能。新模式进行了测试,由三个不同的集合预报系统提供的风速集合预报的四个数据集,覆盖不同的地理区域和时间段。将TGEV EMOS模式的预报技巧与截断正态、对数正态和GEV方法的预报性能以及原始预报和气候预报进行了比较。结果验证了新的TGEV EMOS方法的优点。
2021-03-12 stat.AP stat.ME
Multivariate Discrete Generalized Pareto Distributions: Theory, Simulation, and Applications to Dry spells
本文提出多元离散广义帕累托分布(MDGPD),扩展极值理论至离散数据,结合似然自由推断方法,用于干旱期等极端事件建模。
2025-06-24 stat.ME
Analysis of extreme values with random location
通过统计建模分析罕见和极端值是经济危机、气候预测和金融组合风险管理中的重要问题。极值理论为极值的统计建模提供了所需的概率模型。通常有两种方法来识别数据集中的极值,块极大值法和峰值超过阈值法。块最大值方法使用广义极值分布,峰值超过阈值方法使用广义帕累托分布。这些分布的位置通常保持不变。一些未观测到的变量可能会在假设分布的位置上产生异质性。在这篇文章中,我们专注于模拟这种不可观察的异质性块极大值方法。
2017-02-14 stat.ME
Generalized logistic model for $r$ largest order statistics, with hydrological application
本文提出用于 $r$ 个最大次序统计量的广义 logistic 模型 rGLO,给出其密度、分布函数及多种推断方法,并通过模拟和英国极端径流应用验证其有效性。
2024-10-25 stat.AP stat.ME
Robust Estimators in Generalized Pareto Models
本文研究广义Pareto分布中的最优抗差参数估计问题。这些自然出现在许多情况下,其中一个是有兴趣的极端事件的行为,由皮肯斯-德哈恩极值定理(PBHT)的动机。我们考虑的应用是计算巴塞尔II要求银行覆盖操作风险的监管资本。在这种情况下,底层分布的尾部行为至关重要。这就是极值理论进入的地方,建议使用GPD等参数估计这些高分位数。在这种情况下,稳健的统计提供了程序绑定的影响,单观察,因此提供了可靠的推断存在中度偏差的分布模型的假设,分别从PBHT的机制。
2011-09-29 math.ST q-fin.ST stat.TH
The coupling method in extreme value theory
一个耦合方法的单变量极值理论,提供了一种替代使用的尾部经验/分位数过程。重点介绍了用广义Pareto分布逼近高阈值以上分布的Peak-over-Threshold方法,并比较了两种概率分布的经验分布和极限广义Pareto模型的经验分布,给出了它们在二阶Wasserstein空间中的Wasser-stein距离的精确界.作为一个应用,我们恢复的Hill估计,韦斯曼极端分位数估计或概率加权矩估计的渐近行为的标准结果,脱落的理论上的一些新的光。
2019-12-06 math.ST stat.TH
Multivariate extreme value theory
本文从多元阈值超额与失效集角度介绍经典多元极值理论,利用多元广义Pareto分布族建模,通过点过程视角并考虑特定区域无观测事件,推导出最大稳定与广义极值分布。
2024-12-24 math.ST stat.TH
Bayesian inference for generalized extreme value distribution with Gaussian copula dependence
依赖广义极值(dGEV)模型因其在实际数据中经常出现的依赖结构而受到广泛关注。为了构建dGEV模型,一种自然的方法是假设模型中的一些参数是时变的。以前的研究表明,一个依赖的Gumbel过程可以自然地纳入GEV模型。该模型是一个非线性状态空间模型,其隐状态遵循马尔可夫过程,其新息遵循Gumbel分布。可以使用贝叶斯方法对模型进行推断,从用于近似Gumbel分布的混合正态分布中对隐藏过程进行采样。因此,响应遵循近似GEV模型。我们提出了一个新的模型,其中每个边缘分布是一个精确的GEV分布。我们使用一个变量变换结合边际CDF的Gumbel分布与标准的正常Copula。然后,我们的模型是一个非线性状态空间模型,其中隐藏的状态方程是高斯。我们使用贝叶斯方法分析该模型,并使用粒子吉布斯祖先采样(PGAS)的状态向量的元素进行采样。PGAS算法在求解非线性状态空间模型方面是非常有效的。我们还表明,我们的模型是灵活的,足以纳入季节性。
2017-03-02 stat.ME
Generalized Linear Models for Extremes: Estimation and Inference in High Dimensions
School of Management, University of Science and Technology of China(中国科学技术大学管理学院);Econometric Institute, Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹计量经济研究所)
本研究提出一种极端尾部回归模型,通过协变量缩放尾部尺度且不改变形状,采用Bregman散度匹配与ℓ₁惩罚实现高维估计,推导去偏估计量的渐近性质并应用于保险理赔数据。
2026-08-18 stat.ME
An extended generalized Pareto regression model for count data
针对计数型离散极值建模中阈值难选及主体数据与尾部数据割裂的问题,提出带平滑过渡和零膨胀参数的扩展广义 Pareto GAM 回归模型,并通过雪崩数据验证其更灵活稳健。
2024-06-17 stat.ME
Strong Consistency and Asymptotic Normality of the Maximum Likelihood Estimator in $r$-Largest Generalized Extreme-Value Models
Chonnam National University(全南国立大学)
该研究证明了rGEV模型中最大似然估计量的强一致性与渐近正态性,提出序贯修正似然准则等新要素,模拟显示用5-7个序统计量可降低100年重现水平的相对偏差。
2026-10-16 stat.ME
Existence and consistency of weighted maximum likelihood estimator for extreme quantile regression
针对极端条件分位数估计中的非线性与尾部外推难题,本文结合块最大值理论与广义随机森林,提出加权最大似然估计法,并证明其存在性与一致性,在模拟和股票投资组合损失数据上验证了有效性。
2026-10-07 stat.ME
Hypothesis testing at the extremes: fast and robust association for high-throughput data
许多生物医学问题需要进行许多假设检验,并随之需要应用严格的阈值。数据通常采用一系列预测向量的形式,每个预测向量都必须与单个响应向量进行比较,可能还有干扰协变量。关联的参数检验经常使用,但在极端阈值下可能导致不准确的第一类错误,即使是大样本量。此外,由于零分布的不对称性,与加倍的$p$值相比,标准双侧检验可能降低功效。精确(置换)测试是有吸引力的,但可能是计算密集型和繁琐的。我们提出了一个近似的趋势,是准确和快速的标准使用在高通量设置,并可以很容易地提供标准的双侧或双$p$值的精确关联测试。最常用的广义线性模型的排列下的似然比检验的方法是等效的。对于线性回归,通过处理协变量残差化响应和预测变量来处理协变量。对于广义线性模型,分层协变量的处理方式类似于精确条件检验。仿真和实例说明了该方法的广泛适用性。
2014-05-09 stat.ME
Fisher Information and Differentiability for $r$-Largest Generalized Extreme-Value Models
Chonnam National University(全南国立大学)
该研究针对rGEV模型,证明其二次平均可微性阈值与块极大值一致,推导了Fisher信息性质,发现使用5个最大次序统计量可显著降低重尾情形下的参数估计标准误差。
2026-10-14 math.ST stat.ME stat.TH
Zero-inflated generalized extreme value regression model for binary data and application in health study
逻辑斯谛回归模型被广泛用于研究二元反应变量$Y$和一组潜在预测因子$\mathbf X$之间的关系。二元响应可以表示例如某个感兴趣结果的发生(如果结果发生则为$Y=1$,否则为$Y=0$)。当因变量$Y$代表罕见事件时,逻辑斯谛回归模型显示出相关缺陷。为了克服这些缺点,我们提出了广义极值(GEV)回归模型。特别是,我们建议GEV分布的分位数函数作为链接函数,所以我们的注意力集中在响应曲线的尾部接近1的值。当一部分研究受试者(所谓的治愈个体,而不是合格者)无法经历感兴趣的结果时,观察样本被称为包含治愈分数。由此产生的一个问题是,除非观察到感兴趣的结果,否则通常不知道谁是治愈的受试者和谁是易感受试者。在这些情况下,对易感人群中$\mathbf X$和$Y$之间的关系进行逻辑斯谛回归分析并不简单。我们开发了一个极大似然估计程序,这个问题的基础上,联合建模的二进制响应的兴趣和治愈状态。我们调查的可识别性所产生的模型。然后,我们进行了模拟研究,调查其有限样本的行为,并应用到实际数据。
2021-05-02 stat.ME
Stochastic ordering of extreme order statistics in Archimax copula
本文在 Archimax copula 框架下推广并证明了极端次序统计量及 PHR 模型样本极值的随机排序结果,并附有图形示例。
2024-02-05 math.ST stat.TH
Gradient boosting for extreme quantile regression
极端分位数回归提供数据范围外的条件分位数的估计值。经典的分位数回归在这种情况下表现不佳,因为尾部区域的数据太少。极值理论用于超出观测值范围的外推和条件极值分位数的估计。基于超阈值峰值法,将高阈值以上的条件分布近似为协变量相关参数的广义Pareto分布.我们提出了一个梯度提升过程来估计一个条件广义Pareto分布,通过最小化其偏差。交叉验证用于选择调优参数,如树的数量和树的深度。我们讨论诊断图,如变量的重要性和部分依赖图,这有助于解释拟合模型。在模拟研究中,我们表明,我们的梯度提升过程优于经典的方法,从分位数回归和极值理论,特别是对于高维预测空间和复杂的参数响应曲面。在荷兰的降水数据的天气预报的统计后处理的应用程序。
2022-12-21 stat.ME
Pretrained Generalized Autoregressive Model with Adaptive Probabilistic Label Clusters for Extreme Multi-label Text Classification
Lehigh University(理海大学);Xiamen University of Technology(厦门理工学院)
极端多标签文本分类(XMTC)是一个任务,标记一个给定的文本与最相关的标签从一个非常大的标签集。我们提出了一种新的深度学习方法,称为APLC-XLNet。我们的方法微调了最近发布的广义自回归预训练模型(XLNet),以学习输入文本的密集表示。我们提出了自适应概率标签集群(APLC)近似的交叉熵损失,利用不平衡的标签分布,形成集群,显着减少计算时间。我们在五个基准数据集上进行的实验表明,我们的方法在四个基准数据集上取得了新的最先进的结果。我们的源代码可在https://github.com/huiyegit/APLC_XLNet上公开获取。
2020-08-15 cs.LG stat.ML
Fast Generalized Matrix Regression with Applications in Machine Learning
Shenzhen Research Institute of Big Data(深圳大数据研究院);Stevens Institute of Technology(斯蒂文斯理工学院);Peking University(北京大学);Hong Kong University of Science and Technology(香港科技大学)
快速矩阵算法已成为大数据时代机器学习的基本工具。广义矩阵回归问题广泛应用于CUR分解、核矩阵逼近、流奇异值分解等矩阵逼近中,本文提出了一种快速广义矩阵回归算法(Fast GMR),该算法利用草图技术有效地解决了GMR问题。给定误差参数$0<ε<1$,快速GMR算法可以实现$(1+ε)$相对误差,对于大组GMR问题,草图尺寸为$\cO(ε^{-1/2})$阶。本文将快速GMR算法应用于对称正定矩阵逼近和单遍奇异值分解,取得了比传统算法更好的性能。我们的实证研究也验证了我们提出的算法的有效性和效率。
2019-12-27 cs.LG stat.ML
A Fast Greedy Algorithm for Generalized Column Subset Selection
University of Waterloo(滑铁卢大学)
本文定义了一个广义列子集选择问题,它涉及从源矩阵A中选择最接近目标矩阵B的跨度的列。然后,本文提出了一种快速的贪心算法来解决这个问题,并绘制连接到不同的问题,可以有效地解决使用所提出的算法。
2013-12-24 cs.DS cs.LG stat.ML
Fast Sparse Classification for Generalized Linear and Additive Models
Duke University(杜克大学);University of British Columbia(不列颠哥伦比亚大学)
我们提出了稀疏广义线性和加法模型的快速分类技术。这些技术可以在几分钟内处理数千个特征和数千个观察结果,即使存在许多高度相关的特征。对于快速稀疏逻辑回归,我们的计算速度比其他最佳子集搜索技术要快,这要归功于逻辑损失的线性和二次替代切割,这使我们能够有效地筛选要消除的特征,以及使用优先级队列,有利于更均匀地探索特征。作为一种替代的逻辑损失,我们提出了指数损失,它允许在每次迭代的线搜索的解析解。我们的算法通常比以前的方法快2到5倍。它们生成可解释的模型,其准确性可与具有挑战性的数据集上的黑盒模型相媲美。
2022-10-30 cs.LG stat.ML
Fast Approximation of the Generalized Sliced-Wasserstein Distance
École Polytechnique(巴黎综合理工学院);University of Texas, Austin(德克萨斯大学奥斯汀分校);Hanoi University of Science and Technology(河内科技大学)
广义切片瓦瑟斯坦距离是切片瓦瑟斯坦距离的一个变体,它通过给定的定义函数利用非线性投影的能力,以更好地捕捉概率分布的复杂结构。与切片瓦瑟斯坦距离类似,广义切片瓦瑟斯坦距离被定义为随机投影的期望,可以通过蒙特卡罗方法来近似。然而,这种近似的复杂性在高维环境中可能是昂贵的。为此,我们建议,形成确定性和快速近似的广义切片瓦瑟斯坦距离,通过使用的随机投影的浓度时,定义的功能是多项式函数,循环函数,和神经网络型功能。我们的近似取决于一个重要的结果,即一个高维随机向量的一维投影近似高斯。
2022-10-19 cs.LG stat.ML
Fast Multi-Resolution Transformer Fine-tuning for Extreme Multi-label Text Classification
Amazon(亚马逊);UT Austin(得克萨斯大学奥斯汀分校)
极端多标签文本分类(XMC)试图从给定文本输入的极大标签集合中找到相关标签。许多现实世界的应用程序都可以用XMC问题表示,例如推荐系统、文档标记和语义搜索。最近,基于Transformer的XMC方法,如X-Transformer和LightXML,已经显示出比其他XMC方法显著的改进。尽管利用预训练的Transformer模型进行文本表示,但即使使用功能强大的GPU,Transformer模型在大标签空间上的微调过程仍然需要很长的计算时间。在本文中,我们提出了一种新的递归方法,XR-Transformer,通过递归微调Transformer模型的一系列多分辨率目标相关的原始XMC目标函数,以加速该过程。实证结果表明,与其他基于transformer的XMC模型相比,XR-Transformer的训练时间显著缩短,同时获得了更好的最新结果。特别是,在拥有300万个标签的公共Amazon-3 M数据集上,XR-Transformer不仅比X-Transformer快20倍,而且还将Precision@1从51%提高到54%。
2021-10-28 cs.AI cs.IR cs.LG
Fast greedy algorithms for dictionary selection with generalized sparsity constraints
Graduate School of Information Sciences and Technology(信息科学技术研究生院);The University of Tokyo(东京大学)
在字典选择中,从有限的候选中选择几个原子,这些原子成功地近似稀疏表示中的给定数据点。我们提出了一种新的有效的贪心算法的字典选择。我们的算法不仅工作速度比已知的方法,但它也可以处理更复杂的稀疏约束,如平均稀疏。使用数值实验,我们表明,我们的算法优于已知的方法的字典选择,实现竞争力的表现与字典学习算法在一个较小的运行时间。
2018-09-07 cs.DS cs.LG stat.ML
Generalized Fast Multichannel Nonnegative Matrix Factorization Based on Gaussian Scale Mixtures for Blind Source Separation
Télécom Paris, Institut Polytechnique de Paris(巴黎理工学院电信巴黎);RIKEN(理化学研究所);Kyoto University(京都大学);National Institute of Advanced Industrial Science and Technology(产业技术综合研究所)
本文从统一的角度描述了一种称为快速多通道非负矩阵分解(FastMNMF)的最先进的通用盲声源分离方法的重尾扩展。导出这种扩展的常见方式是用其重尾推广来替换似然函数中的多变量复高斯分布,例如,多元复Student t分布和尖峰广义高斯分布,并量身定制了相应的参数优化算法。使用更广泛的一类称为高斯尺度混合(GSM)的重尾分布,即,混合高斯分布的方差扰动的正随机标量称为脉冲变量,我们提出了GSM-FastMNMF和开发的expectationmaximization算法,即使当脉冲变量的概率密度函数没有解析表达式。我们表明,现有的重尾FastMNMF扩展的GSM-FastMNMF的实例,并推导出一个新的实例的基础上的广义双曲分布,包括正常逆高斯,学生的t,高斯分布的特殊情况。实验结果表明,在语音增强和分离方面,正态逆高斯FastMNMF的信失真比优于FastMNMF扩展和ILRMA模型。
2022-05-11 cs.SD eess.AS eess.SP