据我了解，高斯混合模型是一组参数化的高斯分布，它们共同描述了一个完整的聚合分布。
^ 来自McGonagle 等人
同样据我了解，在具有 1 个隐藏层的神经网络分类器中，您有混合函数（sigmoids、relus 等），这些函数被聚合成一个函数，为属于给定类的事物（汽车、平面等）
^ 具有 5 个 sigmoid 隐藏节点的神经网络
所以我的问题是：神经网络是否属于混合模型的一般领域？
如果是这样，为什么他们从来没有这样称呼过？
如果没有，怎么会？
是不是因为它们本身不使用概率分布（即使 sigmoid 看起来很像高斯的累积密度函数）
只是好奇; 感谢您的建议
它们都属于图形模型的一般领域。
正如您所指出的，它们彼此非常相似，因为它们都有隐藏层，并且都需要迭代方法来执行推理任务。
但它们是根据不同的初始想法提出的。“神经网络”最初是由联结主义者提出的，现在在机器学习界非常活跃，而“混合模型”，或者更一般的“潜变量模型”，是统计学界经典模型的一个范畴。
神经网络（在机器学习中）主要关注最小化预测误差，只要预测误差最小化，你如何解释数学方程，或者你在模型中使用了多少隐藏层/节点都没有关系。另一方面，混合模型（在统计学中）主要关注最大化边际似然，每个隐藏层和节点都很重要，因为每个隐藏节点或层都必须有相应的现实世界解释。
初始目的的差异导致数学方程和术语的一些细微差异。例如，神经网络中的“激活函数”与混合模型中的“条件概率分布函数”所起的作用相同。
现在有一种趋势是将不同社区中的术语与图形模型语言统一起来。比如从图模型的角度来看，无论是“激活函数”还是“条件概率分布函数”，都称为“因子”。