Název: Diffusion MCMC for Mixture Estimation
Autoři: Reichl, Jan ; Dedecius, Kamil
Typ dokumentu: Výzkumné zprávy
Rok: 2016
Jazyk: eng
Edice: Research Report, svazek: 2354
Abstrakt: Distributed inference of parameters of mixture models by a network of cooperating nodes (sensors) with computational and communication capabilities still represents a challenging task. In the last decade, several methods were proposed to solve this issue, predominantly formulated within the expectation-maximization framework and with the assumption of mixture components normality. The present paper adopts the Bayesian approach to inference of general (non-normal) mixtures via the Markov chain Monte Carlo simulation from the parameter posterior distribution. By collaborative tuning of node chains, the method allows reliable estimation even at nodes with significantly worse observational conditions, where the components may tend to merge due to high variances. The method runs in the diffusion networks, where the nodes communicate only with their adjacent neighbors within 1 hop distance.
Klíčová slova: MCMC; Mixture; mixture estimation
Číslo projektu: GP14-06678P (CEP)
Poskytovatel projektu: GA ČR

Instituce: Ústav teorie informace a automatizace AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný na externích webových stránkách.
Externí umístění souboru: http://library.utia.cas.cz/separaty/2016/AS/dedecius-0453623.pdf
Původní záznam: http://hdl.handle.net/11104/0257060

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-202695


Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav teorie informace a automatizace
Zprávy > Výzkumné zprávy