改进混合模型参数估计，用牛顿法提升收敛速度。

An EM Gradient Algorithm for Mixture Models with Components Derived from the Manly Transformation

• 用牛顿法替代原算法的优化步骤，加速参数更新。
• 初始值较好时，新算法收敛更快且更稳定。
• 适合需要高效拟合偏斜分布混合模型的研究者。

Zhu和Melnykov（2018）提出一种基于曼利变换成分的混合模型拟合方法。其原始的期望最大化（EM）算法在极大化步骤中使用奈德尔-梅德优化法更新偏斜参数λ_g。本文提出一种替代的EM梯度算法，当模型参数初始估计良好时，采用一步牛顿法进行更新，显著提升计算效率与收敛性能。

原文摘要 · Abstract (English)

Zhu and Melnykov (2018) develop a model to fit mixture models when the components are derived from the Manly transformation. Their EM algorithm utilizes Nelder-Mead optimization in the M-step to update the skew parameter, $\boldsymbolλ_g$. An alternative EM gradient algorithm is proposed, using one step of Newton's method, when initial estimates for the model parameters are good.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。