梯度EM学习高维高斯混合的分离下界
Get the story
该事件围绕梯度EM算法学习高维高斯混合模型时所需成分间最小分离度的维度依赖问题展开。2026年10月7日，arXiv Statistics Machine Learning（一手来源）发表论文，探讨高维情形下√d分离条件是否必要。论文证明：在高维情形中，梯度EM学习高斯混合模型所需的真成分间最小分离度Ω(√d)的维度依赖不可避免。研究针对混合权重采用标准EM更新、成分均值采用梯度EM更新的混合算法，证明对任意ε>0，当维度足够大时，Ω(d^{0.5-ε})量级的分离度在最坏情况下不足以保证随机初始化下总体梯度EM在亚指数时间内全局收敛，即便在过参数化设定下也成立。目前仅见此一篇报道，尚无后续验证或不同说法。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning梯度 EM 学习高维高斯混合模型中 √d 分离条件是否必要？
论文证明在高维情形下，梯度 EM 学习高斯混合模型所需的真成分间最小分离度 Ω(√d) 的维度依赖不可避免。研究针对混合权重用标准 EM 更新、成分均值用梯度 EM 更新的混合算法，证明对任意 ε>0，当维度足够大时，Ω(d^{0.5-ε}) 量级的分离度在最坏情况下不足以保证随机初始化下总体梯度 EM 在亚指数时间内全局收敛，即便在过参数化设定下也成立。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.