热点事件持续更新
高斯混合模型随机重加权 NPMLE 稀疏性研究
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 分类发布一项研究，探讨高斯位置混合模型 NPMLE 的稀疏性。研究显示，对 NPMLE 似然施加极小随机扰动后，重加权 NPMLE 可获得精确的多对数稀疏性：以高概率唯一，在 d 维下仅含 O{(log n/log log n)^d + log n} 个原子，且几乎最大化普通似然，混合密度估计达到对数因子内参数化 Hellinger 速率。该稀疏性属于估计量本身而非近似，且无需支撑惩罚。目前尚无后续报道。
AI 根据报道生成 · 4 小时前更新
最新进展10月3日 12:00
arXiv 发布研究：随机重加权 NPMLE 可实现精确多对数稀疏性。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）高斯混合模型随机重加权 NPMLE 的多对数稀疏性
研究表明，对高斯位置混合模型 NPMLE 的似然施加极小随机扰动，可得到精确的多对数稀疏性：重加权 NPMLE 以高概率唯一，在 d 维下仅含 O{(log n/log log n)^d + log n} 个原子，且几乎最大化普通似然，混合密度估计达到对数因子内参数化 Hellinger 速率。该稀疏性属于估计量本身而非近似，且无需支撑惩罚。
本事件热度走势
当前热度 8·可比范围峰值 9（10月3日 17:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。