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

好比，在交通网络中处理行人Trancking、车辆定位

 

本文技术路线

 

 

 

小结：

 一、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，可是与RNN不一样的是yt是特征输入，Xt是location

而当下不少传统方法和DL进行融合

又好比，最近的一篇IJCAI2019中，Deep Recurrent Quantization for Generating Sequential Binary Codes，利用RNN作梯度降低来使得K-means聚类

二、本文一个重要思想：通常的特征工程经过对样本的特征标注来预测和学习，本文是经过混合高斯分布，即样本找几率分布，经过几率分布来近似推断。

成也萧何败萧何，由于仅仅使用GMMs来建模，其泛化性能不免受损。