Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1705.03864

帮助 | 高级搜索

统计学 > 计算

arXiv:1705.03864 (stat)
[提交于 2017年5月10日 (v1) ,最后修订 2018年8月2日 (此版本, v5)]

标题: 一个用于含协变量的潜在类模型的嵌套期望最大化算法

标题: A nested expectation-maximization algorithm for latent class models with covariates

Authors:Daniele Durante, Antonio Canale, Tommaso Rigon
摘要: 我们为具有协变量的潜在类别模型开发了一种嵌套EM程序,该程序允许最大化完整模型的对数似然函数,并且与现有方法不同,能够保证对数似然序列的单调性以及提高收敛速度。
摘要: We develop a nested EM routine for latent class models with covariates which allows maximization of the full-model log-likelihood and, differently from current methods, guarantees monotone log-likelihood sequences along with improved convergence rates.
主题: 计算 (stat.CO) ; 方法论 (stat.ME)
引用方式: arXiv:1705.03864 [stat.CO]
  (或者 arXiv:1705.03864v5 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.1705.03864
通过 DataCite 发表的 arXiv DOI
期刊参考: Statistics & Probability Letters (2019). 146, 97-103
相关 DOI: https://doi.org/10.1016/j.spl.2018.10.015
链接到相关资源的 DOI

提交历史

来自: Daniele Durante [查看电子邮件]
[v1] 星期三, 2017 年 5 月 10 日 17:29:10 UTC (21 KB)
[v2] 星期二, 2017 年 6 月 6 日 15:27:13 UTC (51 KB)
[v3] 星期三, 2017 年 11 月 8 日 17:19:16 UTC (277 KB)
[v4] 星期二, 2018 年 1 月 16 日 17:58:27 UTC (276 KB)
[v5] 星期四, 2018 年 8 月 2 日 14:37:31 UTC (58 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2017-05
切换浏览方式为:
stat
stat.ME

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号