19. 5.3.2 混合重みの最適化
• 混合重み を求めることを考える
• という制約を考慮し
!
• 微分し、推定値は
{⇡k}
⇡1 + · · · + ⇡K = 1
0 =
@
@⇡k
[LLB
KX
l=1
⇡l]
ˆ⇡
(t)
k =
1
Pt
n0=1 w
(n0)
t
tX
n=1
w
(n)
t q
(n)
k
20. 5.3.3 平均と共分散の最適化
• 平均は
ˆµ
(t)
k =
1
Pt
n0=1 w
(n0)
t q
(n0)
k
tX
n=1
w
(n)
t q
(n)
k x(n)
0 =
@LLB
@µk
=
tX
n=1
w
(n)
t q
(n)
k ⌃ 1
k (x(n)
µk)
21. 5.3.3 平均と共分散の最適化
• 共分散は
ˆ⌃
(t)
k =
1
Pt
n0=1 w
(n0)
t q
(n0)
k
tX
n=1
w
(n)
t q
(n)
k (x(n)
ˆµ
(t)
k )(x(n)
ˆµ
(t)
k )T
ˆ⌃
(t)
k =
1
Pt
n0=1 w
(n0)
t q
(n0)
k
tX
n=1
w
(n)
t q
(n)
k x(n)
x(n)T
ˆµ(n)
ˆµ(n)T
0 =
@LLB
@⌃ 1
k
=
1
2
tX
n=1
w
(n)
t q
(n)
k { (x(n)
µk)(x(n)
µk)T
⌃k}
25. 5.5 重みの選択と逐次更新型
異常検知モデル
˜⇡
(t 1)
k =
t 1X
n=1
(1 )t 1 n
q
(n)
k
˜⇡
(t)
k = q
(t)
k +
t 1X
n=1
(1 )t n
q
(n)
k
˜⇡
(t)
k = (1 )˜⇡
(t 1)
k + q
(t)
k
26. 5.5 重みの選択と逐次更新型
異常検知モデル
• 以下のようにパラメータを定義する
!
!
• 次の更新式が導ける
˜µ
(t)
k ⌘
tX
n=1
w
(n)
t q
(n)
k x(n)
˜⌃
(t)
k ⌘
tX
n=1
w
(n)
t q
(n)
k x(n)
x(n)T
˜⌃
(t)
k = (1 )˜⌃
(t 1)
k + q
(t)
k x(t)
x(t)T
˜µ
(t)
k = (1 )˜µ
(t 1)
k + q
(t)
k x(t)