基于分组稀疏正则化的因果网络推断
本文介绍了一种基于稀疏学习的方法,通过多个 Granger 图对多个时间序列进行联合学习以发现共同和差异的 Granger 因果关系结构,该方法在 ADHD 的 fMRI 数据集中找到了两组个体的大脑连接机制及其差异。
May, 2021
探讨了深度神经网络、特征选择和优化之间的关系,并通过引入 Group Lasso penalty 的方法,同时解决了三个问题,证明此方法可以在大规模分类任务上有效地实现。
Jul, 2016
本研究针对高维网络模型的估计问题,采用 Granger 因果模型框架,利用稀疏边缘和内在节点分组结构的假设,引入削减版本的 Group Lasso 估计器,发现了网络节点之间的 Granger 因果交互作用,并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较,评估了该方法的性能。
Oct, 2012
提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用,该方法采用核范数和 lasso(或 group lasso)惩罚的组合正则化框架,证明了该方法的估计误差速率的非渐近性上界,并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。
Dec, 2018
该文介绍了如何使用 lasso 算法来进行高维稀疏图的协方差无关估计,实现了变量选择,并控制了图中误连接不同的连通分量的概率,最终实现了稀疏图的一致性估计。
Aug, 2006
本文提出了一种基于稀疏差异先验的正则化 M - 估计方法,通过估计图和变化点结构相结合,探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构,以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外,方法的扩张能使得在多个系统的依赖关系中进行变化点的估计,并提出了一种高效算法用于对结构的估计,最后,对两个真实世界数据集的定性影响以及合理性进行研究。
Dec, 2015
本文介绍了一种基于时间可变图拉索(TVGL)的方法,利用交替方向乘子方法(ADMM)以一种高效的方式推断时间可变网络,评估了该算法的性能,并通过实验结果显示该算法优于最先进的基线算法。
Mar, 2017
本文提出了一个基于强群体稀疏概念的群体 Lasso 理论。研究结果表明,群组 Lasso 对于强群体稀疏信号优于标准的 Lasso,这为在基础群组结构与数据一致时使用群体稀疏正则化提供了有力的理论证明。此外,理论预测了群体 Lasso 公式的一些局限性,并得到了模拟研究的证实。
Jan, 2009
本文研究了使用组套 Lasso 进行带有正则化的最小二乘回归问题的渐近一致性和多核学习的无限维情况下的一致性性质,并提出了自适应方案以获得一致的模型估计。
Jul, 2007
本文介绍了一种基于数据相关性的一般化界限,适用于许多实现了结构稀疏性限制的正则化算法。该界限可以应用于标准的平方范数正则化、套索 (Lasso)、组套索 (group Lasso)、一些具有重叠组的组套索版本、多核学习 (multiple kernel learning) 和其他正则化方案。在所有这些情况下,都可以获得有竞争力的结果。我们界限的新特点是,它可以应用于无限维度的设置,例如具有可分离的希尔伯特空间的套索 (Lasso) 或具有可数核的多核学习 (multiple kernel learning)。
Aug, 2011