这里先规定生成核 ,再与标签概率组成联合分布。它给出选定成分后的条件分布理路条件分布Conditional distribution · Regular conditional distribution给定观测值后随机量的概率律,以及它与原联合分布相容的核表示。版本;若 ,该核值仍可预设,但不由联合分布在零概率事件上唯一确定,不能用初等条件概率的比值去除以零。零权成分不影响观测分布。
这是一个统计模型理路统计模型与参数Statistical model · Statistical parameter对可观测数据候选分布族、参数化坐标与待推断分布泛函的统一刻画。,参数包括权重及各成分参数。若成分有共同支配测度下的密度 ,由全概率公式理路全概率公式Law of total probability沿有限或可数可测划分分解事件,并按各分块概率加权合并。,观测密度是
交换成分编号不会改变 ;两个成分重合时,还可能出现权重冗余。统计模型的可识别性理路统计模型的可识别性Identifiability of a statistical model · Parameter identifiability观测分布能否唯一决定参数或目标,以及对称、观测机制与弱识别造成的边界。据此区分有序参数、标签置换后的等价类与观测分布。本页的边缘化公式不承诺成分表示唯一,也不把多个拟合峰自动解释为多个科学群体。
零膨胀Poisson模型理路零膨胀Poisson模型Zero-inflated Poisson model · ZIP model · Zero-inflated Poisson regression · 零膨胀泊松回归将零点质量与Poisson部件混合,推导零责任度、EM和可识别条件,并区分观测分布、潜在标签以及门槛模型的概率范围。给一个部件可识别而单个标签仍不确定的例子:非退化总体的P(2)/P(1)确定Poisson参数,但观察为零时,两种零来源仍各有后验概率。同一观察分布也能写成适当的Poisson门槛模型,所以潜标签解释不能仅由相同的计数拟合确认为唯一机制。
对独立样本,观测对数似然为 。困难来自对数里的和,而完整标签已知时,目标是各成分对数密度的加权和。EM 算法理路期望最大化算法Expectation-maximization algorithm · EM algorithm · EM 算法交替计算潜变量的条件分布与提高完整数据期望对数似然,以迭代优化观测似然的算法。利用责任度把潜标签的指示量替换为条件期望,再更新参数。
混合也可用于预测密度,而无须为每个成分命名。要从观测分布恢复成分,先查可识别条件;要做参数计算,再查似然是否有有限最优值。若标签确实缺失且缺失概率依赖数据,还须额外分析缺失机制理路缺失数据机制Missing-data mechanism · MCAR · MAR · MNAR用观测指示变量的条件分布描述哪些数据被保留,并区分完全随机、随机和非随机缺失及忽略机制的条件。,不能仅因为模型包含潜变量就认定可以忽略观测过程。
量子混态也允许许多不同的混合表示。形成纠缠理路形成纠缠Entanglement of formation在所有纯态系综分解中最小化平均纠缠熵,区分单份凸顶量与正则化后的制备成本。固定同一个双边密度矩阵,在所有纯态系综分解中最小化平均纠缠熵。某个由 Bell 态组成的分解可以消耗纠缠,而同一密度矩阵也可能具有零纠缠的乘积态分解;因此分解中的成分性质不一定是混合对象独有的性质。