新统计模型专治“离群值”！聚类准确率飙升，还能自动揪出异常点
Robust model-based clustering via mixtures of multivariate pseudo-Voigt distributions
📖 AI 总结
该研究提出了一种基于多变量伪Voigt分布的有限混合模型，用于稳健的模型聚类和异常值检测。伪Voigt分布是高斯分布与柯西分布的加权凸组合，能够有效处理重尾数据。模型在聚类内部对高斯和柯西分量施加共享的位置与尺度参数，以保证简洁性和一致性。参数估计采用期望最大化算法，利用潜在变量实现高效的似然推断。通过模拟研究和真实数据应用，并与污染正态分布混合模型等稳健方法对比，该模型在聚类准确性和异常值检测方面表现优异，尤其适用于具有重尾特征的数据集。
🔑 关键词速览
| pseudo-Voigt profile | 一种由高斯和柯西分布加权组合而成的概率分布，用于模拟具有重尾特性的数据。 |
| finite mixture modeling | 一种统计建模方法，将数据视为多个子分布（分量）的混合，用于聚类和密度估计。 |
| Expectation Maximization (EM) algorithm | 一种迭代优化算法，用于在存在潜变量时估计模型参数，通过交替执行期望步和最大化步。 |
| contaminated normal distributions | 一种混合分布，包含一个主体正态分布和一个污染（异常）正态分布，用于稳健建模。 |
| heavy-tailed behavior | 数据分布尾部较厚，即极端值出现的概率比正态分布更高，常见于异常值存在的情况。 |
📱 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