该论文提出了一种算法,用于在连续和非高斯概率分布中识别稀疏的依赖结构,并利用依赖结构来进行更准确的分布估计和推理。
Nov, 2017
通过矩阵分解方法和基于硬阈值的迭代梯度下降算法,我们提出了一个针对潜变量高斯图模型(LVGGM)的稀疏和低秩分量的估计方法,实验结果表明该算法比现有算法更加优越。
Feb, 2017
本文介绍了一种条件稀疏的潜变量高斯图模型(LVGGM),利用正则化的极大似然方法来学习具有低秩加稀疏结构的逆协方差矩阵,并在高维情况下得到了新的参数估计误差界限。
Jun, 2014
本文介绍了一种基于贝叶斯框架的高斯图模型确定方法,它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现,在高维图形方面具有计算可行性,验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法,并应用于基因表达研究中。
Oct, 2012
使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数,以得到稀疏的无向图模型,并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。
Jul, 2007
本文提出了一种基于得分的结构学习快速算法的罚似然估计框架,该快速算法不受限制地处理高维数据集,并使用凹规则化以解决估计问题的固有不可识别性。其中,高斯贝叶斯网络是重点研究领域之一。
Jan, 2014
我们提出了一种稀疏图的学习方法,应用于一个无向高斯图模型的问题,并通过凸混合整数规划框架得到了新的估计器,该估计器在稀疏性精度矩阵的估计与变量选择方面有着优越的性能。
Jul, 2023
提出一种构建稀疏估计器的方法,用于高维背景下的逆协方差(浓度)矩阵,使用罚函数正态似然方法强制使用 Lasso 型惩罚,并在数据维数 $p$ 和样本量 $n$ 随着增长收敛速率之间建立 Frobenius 范数。同时对真实浓度矩阵进行稀疏度量,提出一种基于相关性的方法,在操作规范下具有更好的收敛速率,推出一种快速迭代算法用于计算估计值,利用常用的 Cholesky 分解反演,得到一种置换不变的估算法,文中将这种方法应用于癌症组织分类的基因表达数据上,并与其他估算方法进行了比较。
Jan, 2008
本文提出了一种名为潜在高斯 Copula 模型的半参数模型,用于建模二元和混合数据的多元统计学习。
Apr, 2014
该研究提出了一种变分推断方法,通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布,对任意正则化参数 λ 和任意 l_p (伪 -) 范数,包括非凸的 l1 伪范数进行联合训练,从而获得一个模型,并可以恢复频率主义的解路径。
Jun, 2023