Nach den Erkenntnissen ist ein Blended Model ein probabilistisches Modell, um auf die Nähe von Subpopulationen innerhalb einer allgemeinen Bevölkerung zu sprechen, ohne dass eine überwachte Informationssammlung die Subpopulation, zu der eine individuelle Wahrnehmung einen Platz hat, unterscheiden müsste. Offiziell bezieht sich ein Blended-Modell auf die Blendzirkulation, die sich auf die Wahrscheinlichkeitsverteilung von Wahrnehmungen in der Allgemeinbevölkerung bezieht. Wie dem auch sei, während Fragen im Zusammenhang mit “Blend Aneignungen” die Eigenschaften der Allgemeinbevölkerung mit der Ableitung von Eigenschaften der Unterbevölkerung identifizieren, werden “Blend Modelle” verwendet, um messbare Schlussfolgerungen über die Eigenschaften der Unterbevölkerung zu ziehen, wenn nur Wahrnehmungen der zusammengefassten Bevölkerung, nicht aber Daten über den Charakter der Unterbevölkerung vorliegen.

Einige verschiedene Arten der Aktualisierung von Mischungsmodellen umfassen Schritte, die hypothetisch angenommene Subpopulationscharaktere zu singulären Wahrnehmungen (oder Belastungen gegenüber solchen Subpopulationen) führen, wobei diese in diesem Fall als eine Art Sololern- oder Bündelungssysteme betrachtet werden können. Jedenfalls beinhalten nicht alle Deduktionstechniken solche Fortschritte.

Blend-Modelle sollten nicht mit Modellen für kompositorische Informationen verwechselt werden, d.h. Informationen, deren Segmente gezwungen sind, zu einem konstanten Wert (1, 100% usw.) zu aggregieren. In jedem Fall kann man sich Kompositionsmodelle als Mischmodelle vorstellen, bei denen Individuen aus der Bevölkerung ziellos untersucht werden. Auf der anderen Seite können Mischungsmodelle als Kompositionsmodelle betrachtet werden, bei denen die übergroße durchgehende Bevölkerung auf 1 standardisiert wurde.

Allgemeines Mischungsmodell

Ein übliches begrenzt dimensionales Mischungsmodell ist ein unterschiedlich nivelliertes Modell, das aus den begleitenden Segmenten besteht:

N unregelmäßige Variablen, die beobachtet werden, von denen jede durch eine Mischung von K Segmenten verteilt ist, wobei die Segmente einen Platz mit der äquivalenten parametrischen Verbreitungsgruppe haben (z.B. alle gewöhnlichen, alle Zipfian usw.), jedoch mit verschiedenen Parametern

N willkürliche, träge Faktoren, die den Charakter des Mischungsteils jeder Wahrnehmung anzeigen, die jeweils durch eine K-dimensionale, ungemilderte Übertragung angeeignet werden

Viele K mischen Lasten, d.h. Wahrscheinlichkeiten, die sich zu 1 addieren.

Viele K-Parameter, von denen jeder den Parameter des vergleichenden Überblendungssegments bestimmt. In der Regel ist jeder “Parameter” in Wirklichkeit eine Menge von Parametern. Wenn es sich bei den Überblendungsteilen beispielsweise um Gauß’sche Aneignungen handelt, gibt es für jedes Segment einen Mittelwert und eine Veränderung. Für den Fall, dass die Überblendungsteile alle aus Verbreitungen bestehen (z.B. wenn jede Wahrnehmung ein Zeichen aus einem begrenzten Buchstabensatz der Größe V ist), gibt es einen Vektor von V-Wahrscheinlichkeiten, die sich zu 1 addieren.

Auch in einer Bayes’schen Umgebung sind die Überblendungslasten und -parameter selbst willkürliche Faktoren, und frühere Verbreitungen werden über die Faktoren gelegt. In einem solchen Fall werden die Lasten normalerweise als K-dimensionaler willkürlicher Vektor betrachtet, der aus einer Dirichlet-Zirkulation (dem früheren Konjugierten der eigentlichen Aneignung) gezogen wird, und die Parameter werden durch ihre individuellen konjugierten Prioren übermittelt.

Wissenschaftlich gesehen kann ein grundlegendes parametrisches Überblendungsmodell wie folgt dargestellt werden:

In einer Bayes’schen Einstellung sind alle Parameter wie folgt mit Zufallsvariablen verknüpft:

Diese Darstellung verwendet F und H, um diskretionäre Übertragungen über Wahrnehmungen und Parameter getrennt darzustellen. Üblicherweise wird H die frühere Konjugierte von F sein. Die beiden grundlegendsten Entscheidungen von F sind Gaußscher, auch bekannt als “wäre zu erwarten” (für echte geschätzte Wahrnehmungen) und klarer Schnitt (für diskrete Wahrnehmungen). Andere normale mögliche Ergebnisse für die Aneignung der Blendsegmente sind:

Binomiale Verbreitung, für die Menge “positiver Ereignisse” (z.B. Triumphe, Ja-Stimmen usw.) bei einer festen Anzahl absoluter Ereignisse

Multinomiale Zirkulation, wie die binomiale Aneignung, jedoch zur Überprüfung von Mehrweg-Ereignissen (z.B. ja/nein/vielleicht in einer Übersicht)

Negative binomiale Zirkulation, für binomiale Wahrnehmungen jedoch, bei denen die Menge der Intrigen die Anzahl der Enttäuschungen ist, bevor eine bestimmte Anzahl von Siegen passiert

Poisson-Zirkulation, für die Anzahl der Ereignisse eines Anlasses in einem bestimmten Zeitrahmen, für einen Anlass, der durch ein festgelegtes Tempo des Ereignisses dargestellt wird

Exponentielle Streuung, für die Zeit vor dem folgenden Ereignis, für ein Ereignis, das durch ein festgelegtes Tempo des Ereignisses dargestellt wird

Logarithmisch gewöhnliche Verbreitung, für positive echte Zahlen, die sich exponentiell entwickeln können, z.B. Lebensunterhalt oder Kosten

Multivariate gewöhnliche Zirkulation (auch bekannt als multivariate Gauß’sche Aneignung), für Vektoren verwandter Ergebnisse, die ausschließlich Gauß-übertragen werden

Multivariate Student’s-t-Verbreitung (auch bekannt als multivariate t-Zirkulation), für Vektoren von überwältigend verfolgten verwandten Ergebnissen[1]

Ein Vektor von Bernoulli-verbreiteten Werten, die z.B. mit einem kontrastreichen Bild verglichen werden, wobei jeder Wert mit einem Pixel zu sprechen ist; siehe das unten abgebildete Modell zur Anerkennung der Handschrift:

Modell der Gaußschen Mischung

Eine Bayes’sche Version eines Gaußschen Mischungsmodells lautet wie folgt:

Multivariates Gaußsches Mischungsmodell

Ein Bayes’sches Gauß’sches Mischungsmodell wird normalerweise so gestreckt, dass es in einen Vektor von obskuren Parametern (gemeint ist auffällig) oder multivariate gewöhnliche Übermittlungen passt. In einer multivariaten Dispersion (z.B. eine, die einen Vektor x mit N unregelmäßigen Faktoren anzeigt) kann man einen Vektor von Parametern (z.B. einige Wahrnehmungen eines Zeichens oder Fixierungen innerhalb eines Bildes) demonstrieren, indem man ein Gaußsches Überblendungsmodell verwendet, das eine frühere Dispersion auf dem Vektor von Bewertungen verwendet, die durch

Solche Zirkulationen sind hilfreich, um z.B. fleckenweise Zustände von Bildern und Büscheln zu erwarten. Aufgrund der Bilddarstellung könnte jeder Gaußsche durch die Kovarianzenetzwerke gekippt, verlängert und verzerrt werden. Für jede Fixierung (in der Regel der Größe 8×8 Pixel) im Bild ist eine Gauß’sche Übertragung der Menge passend. Jede Übertragung von Brennpunkten um eine Gruppe herum (Suchimpulse) könnte genau genug Gaußsche Segmente erhalten, jedoch wird erwartet, dass kaum mehr als K=20 Segmente eine bestimmte Bildaneignung oder ein Bündel von Informationen genau zeigen.