طبقه‌بندي احتمالي از طريق برآورد چگالي با استفاده از مدل آميخته گاوسي و جريان اتورگرسيو ماسك‌شده

Probabilistic Classification by Density Estimation Using Gaussian Mixture Model and Masked Autoregressive Flow

برآورد چگالي كه توزيع داده‌ها را برآورد مي‌كند، يكي از مباحث مهم در يادگيري ماشين احتمالاتي است. مدل‌هاي آميخته مانند مدل آميخته گاوسي(GMM) بيشينه‌سازي انتظار يكي از خانواده‌هاي از برآورد‌گرهاي چگالي، محسوب مي‌شوند. مدل‌هاي مولد يكي ديگر از خانواده‌هاي برآوردگرهاي چگالي هستند كه داده‌ها را از روي متغيرهاي پنهان ورودي توليد مي‌كنند. جريان اتورگرسيو ماسك‌شده(MAF) يكي از مدل‌هاي مولد است كه از روش جريان‌هاي نرمال‌سازي و شبكه‌هاي اتورگرسيو، استفاده مي‌كند. در اين مقاله، از برآوردگرهاي چگالي براي طبقه‌بندي استفاده شده‌است؛ اگرچه آن‌ها اغلب براي برآورد توزيع داده‌ها به كار برده مي‌شوند. همچنين احتمال طبقه‌بندي داده‌ها توسط برآورد چگالي به‌ويژه با استفاده از GMM و MAF مدل‌سازي مي‌شوند. طبقه‌بندي‌كننده‌هاي پيشنهادي در مقايسه با طبقه‌بندي‌كننده‌هاي ساده‌تر مانند تحليل تفكيك‌كننده خطي(LDA) كه احتمال را تنها با استفاده از يك توزيع گاوسي مدل مي‌كنند، داراي عملكرد بهتري هستند. اين مطالعه يك مسيري را براي پژوهش هاي بعدي باز مي‌كند تا ديگر انواع طبقه‌بندي‌كننده‌هاي احتمالاتي براساس برآورد چگالي توام نيز مطرح شوند.