Gaussian mixture learning from noisy data

Abstract : We address the problem of learning a Gaussian mixture from a set of noisy data points. Each input point has an associated covariance matrix that can be interpreted as the uncertainty by which this point was observed. We derive an EM algorithm that learns a Gaussian mixture that minimizes the Kullback-Leibler divergence to a variable kernel density estimator on the input data. The proposed algorithm performs iterative optimization of a strict bound on the Kullback-Leibler divergence, and is provably convergent.
Type de document :
Rapport
[Technical Report] IAS-UVA-04, 2004, pp.6
Liste complète des métadonnées

Littérature citée [9 références]  Voir  Masquer  Télécharger


https://hal.inria.fr/inria-00321483
Contributeur : Jakob Verbeek <>
Soumis le : mardi 5 avril 2011 - 14:56:51
Dernière modification le : lundi 25 septembre 2017 - 10:08:04
Document(s) archivé(s) le : mercredi 6 juillet 2011 - 02:57:58

Fichiers

verbeek04tr.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00321483, version 2

Collections

Citation

Nikos Vlassis, Jakob Verbeek. Gaussian mixture learning from noisy data. [Technical Report] IAS-UVA-04, 2004, pp.6. 〈inria-00321483v2〉

Partager

Métriques

Consultations de la notice

277

Téléchargements de fichiers

227