HAL : hal-00414325, version 1

DOI : 10.1016/j.patcog.2009.08.006,

Fiche détaillée

Récupérer au format BibTeX - EndNote - TEI - RefWorks -

Pattern Recognition 43 (2010) 850-858

Parsimonious reduction of Gaussian mixture models with a variational-Bayes approach

Pierrick Bruneau 1, 2, Marc Gelgon 1, 2, Fabien Picarougne 2

(2010)

Aggregating statistical representations of classes is an important task for current trends in scaling up learning and recognition, or for addressing them in distributed in- frastructures. In this perspective, we address the problem of merging probabilistic Gaus- sian mixture models in an efficient way, through the search for a suitable combination of components from mixtures to be merged. We propose a new Bayesian modelling of this combination problem, in association to a variational estimation technique, that handles efficiently the model complexity issue. A main feature of the present scheme is that it merely resorts to the parameters of the original mixture, ensuring low computational cost and possibly communication, should we operate on a distributed system. Experimental results are reported on real data

1 :	ATLAS (INRIA)
	INRIA – Université de Nantes
2 :	Laboratoire d'Informatique de Nantes Atlantique (LINA)
	CNRS : UMR6241 – Université de Nantes – École Nationale Supérieure des Mines - Nantes

Domaine

:

Informatique/Apprentissage Informatique/Calcul parallèle, distribué et partagé

Mots Clés : modèles probabilistes – mélanges de lois – fusion de modèles

hal-00414325, version 1

http://hal.archives-ouvertes.fr/hal-00414325

oai:hal.archives-ouvertes.fr:hal-00414325

Contributeur : Marc Gelgon <>

Soumis le : Mardi 8 Septembre 2009, 17:08:18

Dernière modification le : Mercredi 29 Août 2012, 22:57:09