混合模型估计新突破：局部收敛速度可快数倍，最坏情况不再是唯一标准
Characterizing Heterogeneous Rates in Finite Mixture Estimation via Partial Optimal Transport
📖 AI 总结
本文研究有限混合模型中参数估计的收敛速率问题。作者指出，传统基于Wasserstein距离的分析只能刻画最坏情况下的收敛速率，无法反映局部异质性——即孤立成分的估计速度可能远快于相互竞争的成分组。为此，作者提出基于Voronoi划分的部分最优传输（VPOT）框架，将两个混合测度的比较局部化到扩展Voronoi邻域，并利用部分最优传输处理局部限制质量不等的问题。在该框架下，损失函数中一阶POT差异的幂次由局部竞争原子的数量决定，从而使损失自适应于局部奇异程度。在适当正则性与强可辨识条件下，作者建立了最大似然估计在VPOT损失下的局部与全局上界，揭示出依赖于具体配置的估计行为：奇异程度较低的局部配置收敛更快，而最奇异配置则退化为经典最坏情况速率。作者进一步给出极小极大下界，证明该速率在VPOT损失下是最优的。该结果适用于任意固定维度，且不要求混合比例一致有界远离零，也无需预先知道真实混合成分数。
🔑 关键词速览
| 有限混合模型 | 一种统计模型，假设观测数据来自若干个成分分布的混合，每个成分对应一个子群体。 |
| 部分最优传输 | 最优传输的一种变体，允许质量不完全匹配，适用于比较总质量不等的测度。 |
| Voronoi邻域 | 基于Voronoi图划分的空间区域，每个区域由距离某个中心点最近的点组成，用于局部化比较。 |
| 最大似然估计器 | 一种参数估计方法，选择使观测数据出现概率最大的参数值。 |
| 极小极大下界 | 在统计决策理论中，衡量任何估计器在最坏情况下风险的最小可能值，用于证明估计速率的最优性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅