ミックスド・メンバーシップ サブガウス・モデル

要旨: ガウス混合モデルは、その単純さと解釈可能性ゆえに、教師なし学習で広く用いられています。しかし、古典的なガウス混合モデルの根本的な制約は、各観測がちょうど1つの成分に属することを強制してしまう点にあります。遺伝学、ソーシャルネットワーク分析、テキストマイニングなど多くの実務的な応用では、観測は自然に複数の成分に属しうる、あるいはいくつかの潜在成分の部分的なメンバーシップを示しうることがあります。この制約を克服するために、混合メンバーシップ部分ガウス（mixed membership sub-Gaussian）モデルを提案します。このモデルは、各観測が複数の成分に属しうるようにすることで、古典的なガウス混合の枠組みを拡張します。本モデルは古典的なガウス混合モデルの解釈可能性を継承しつつ、複雑に重なり合う構造を捉えるための柔軟性をより高めています。各個体の観測に対する混合メンバーシップを推定するための効率的なスペクトルアルゴリズムを開発し、さらに成分中心に対する穏やかな分離条件の下で、個体ごとのメンバーシップベクトルの推定誤差を、高い確率で任意に小さくできることを証明します。私たちの知る限り、これは、ガウス混合モデルの混合メンバーシップ拡張に対して、消失する誤差保証（vanishing-error guarantee）を伴う計算効率のよい推定器を与える最初の研究です。大規模な実験的研究により、提案手法が混合メンバーシップを無視する既存の手法よりも優れていることが示されています。