近似推断：使用高斯混合模型

Approximate Inference using Simplification of Gaussian Mixture Models（GMMs）

 

 

Task：高斯混合模型的一些实际应用

比如，在交通网络中处理行人Trancking、车辆定位

 

本文技术路线

 

 

 

小结：

 1、tracking中基于马尔科夫Recusive和Bayes的结合，是一个亮点，尽管它的性能比不上DNN

有RNN的影子，但是与RNN不同的是yt是特征输入，Xt是location

而当下很多传统方法和DL进行融合

又比如，最近的一篇IJCAI2019中，Deep Recurrent Quantization for Generating Sequential Binary Codes，利用RNN做梯度下降来使得K-means聚类

2、本文一个重要思想：一般的特征工程通过对样本的特征标注来预测和学习，本文是通过混合高斯分布，即样本找概率分布，通过概率分布来近似推断。

成也萧何败萧何，因为仅仅使用GMMs来建模，其泛化性能难免受损。