โดยหลักการแล้ววิธีการเพิ่มประสิทธิภาพ EM และมาตรฐานสามารถทำงานเพื่อการกระจายส่วนผสมที่เหมาะสม เช่นเดียวกับ EM นักแก้ปัญหาการออปติไมซ์แบบนูนจะรวมตัวกันเป็นค่าที่เหมาะสมที่สุดในท้องถิ่น แต่มีอัลกอริธึมการเพิ่มประสิทธิภาพที่หลากหลายสำหรับการค้นหาโซลูชันที่ดีกว่าเมื่อมีออพติม่าท้องถิ่นหลาย ๆ ตัว เท่าที่ฉันทราบอัลกอริทึมที่มีความเร็วการบรรจบที่ดีที่สุดจะขึ้นอยู่กับปัญหา
ข้อดีอย่างหนึ่งของ EM ก็คือมันผลิตพารามิเตอร์ที่ถูกต้องตามธรรมชาติสำหรับการกระจายตัวของส่วนผสมในทุกการวนซ้ำ ในทางตรงกันข้ามอัลกอริธึมการปรับให้เหมาะสมมาตรฐานจะต้องมีข้อ จำกัด ตัวอย่างเช่นสมมติว่าคุณกำลังปรับโมเดลผสมแบบเกาส์เซียน วิธีการโปรแกรมแบบไม่เชิงเส้นมาตรฐานจะต้องใช้เมทริกซ์ความแปรปรวนร่วมแบบ จำกัด เพื่อให้เป็น semidefinite บวกและการ จำกัด น้ำหนักขององค์ประกอบของการผสมจะไม่เป็นค่าลบและรวมเป็นหนึ่ง
เพื่อให้ได้ประสิทธิภาพที่ดีในปัญหามิติสูงโดยทั่วไปแล้วตัวแก้ปัญหาการเขียนโปรแกรมแบบไม่เชิงเส้นต้องใช้ประโยชน์จากการไล่ระดับสี ดังนั้นคุณต้องหาการไล่ระดับสีหรือคำนวณด้วยการแยกแบบอัตโนมัติ การไล่ระดับสีเป็นสิ่งจำเป็นสำหรับฟังก์ชันที่ จำกัด ถ้าไม่มีรูปแบบมาตรฐาน วิธีการของนิวตันและวิธีการที่เกี่ยวข้อง (เช่นวิธีการที่เชื่อถือได้ในภูมิภาค) นั้นจำเป็นต้องมีรัฐ Hessian ด้วย ความแตกต่างแน่นอนหรือวิธีอนุพันธ์ฟรีสามารถใช้หากการไล่ระดับสีไม่พร้อมใช้งาน แต่ประสิทธิภาพมีแนวโน้มที่จะขยายขนาดได้ไม่ดีเมื่อจำนวนพารามิเตอร์เพิ่มขึ้น ในทางตรงกันข้าม EM ไม่ต้องการการไล่ระดับสี
อีเอ็มเป็นแนวคิดที่ใช้งานง่ายซึ่งเป็นคุณธรรมที่ดี สิ่งนี้มักจะถือเป็นแนวทางการเพิ่มประสิทธิภาพมาตรฐานเช่นกัน มีรายละเอียดการใช้งานหลายอย่าง แต่แนวคิดโดยรวมนั้นง่าย บ่อยครั้งที่เป็นไปได้ที่จะใช้เครื่องมือเพิ่มประสิทธิภาพมาตรฐานที่สรุปรายละเอียดเหล่านี้ไว้ใต้ฝากระโปรง ในกรณีเหล่านี้ผู้ใช้จะต้องจัดหาฟังก์ชันวัตถุประสงค์ข้อ จำกัด และการไล่ระดับสีและมีความรู้ในการทำงานเพียงพอที่จะเลือกตัวแก้ปัญหาที่เหมาะสมกับปัญหา แต่จำเป็นต้องมีความรู้เฉพาะทางหากมาถึงจุดที่ผู้ใช้ต้องคิดหรือใช้รายละเอียดในระดับต่ำของอัลกอริธึมการปรับให้เหมาะสม
ข้อดีอีกประการของอัลกอริทึม EM ก็คือสามารถใช้ในกรณีที่ค่าข้อมูลบางอย่างหายไป
ที่น่าสนใจ (รวมถึงความคิดเห็น):