طبقه‌بندی احتمالی از طریق برآورد چگالی با استفاده از مدل آمیخته گاوسی و جریان اتورگرسیو ماسک‌شده

برآورد چگالی که توزیع داده‌ها را برآورد می‌کند، یکی از مباحث مهم در یادگیری ماشین احتمالاتی است. مدل‌های آمیخته مانند مدل آمیخته گاوسی(gmm) بیشینه‌سازی انتظار یکی از خانواده‌های از برآورد‌گرهای چگالی، محسوب می‌شوند. مدل‌های مولد یکی دیگر از خانواده‌های برآوردگرهای چگالی هستند که داده‌ها را از روی متغیرهای پنهان ورودی تولید می‌کنند. جریان اتورگرسیو ماسک‌شده(maf) یکی از مدل‌های مولد است که از روش جریان‌های نرمال‌سازی و شبکه‌های اتورگرسیو، استفاده می‌کند. در این مقاله، از برآوردگرهای چگالی برای طبقه‌بندی استفاده شده‌است؛ اگرچه آن‌ها اغلب برای برآورد توزیع داده‌ها به کار برده می‌شوند. همچنین احتمال طبقه‌بندی داده‌ها توسط برآورد چگالی به‌ویژه با استفاده از gmm و maf مدل‌سازی می‌شوند. طبقه‌بندی‌کننده‌های پیشنهادی در مقایسه با طبقه‌بندی‌کننده‌های ساده‌تر مانند تحلیل تفکیک‌کننده خطی(lda) که احتمال را تنها با استفاده از یک توزیع گاوسی مدل می‌کنند، دارای عملکرد بهتری هستند. این مطالعه یک مسیری را برای پژوهش های بعدی باز می‌کند تا دیگر انواع طبقه‌بندی‌کننده‌های احتمالاتی براساس برآورد چگالی توام نیز مطرح شوند.