本文提出了一种基于经验条件变差距离阈值处理的简单算法，针对高维 Ising (图形) 模型选择问题。对于具有稀疏局部分离器的图形族，该方法将是有效的，被用来作为结构估计的基准。我们在该文章中还建立了结构估计的非渐近必要和充分条件。

Jul, 2011

研究了隐变量图模型中的结构估计问题，提出了一种计算高效且保证正确性的方法，并应用于局部树状结构的模型及相关衰减的模型，特别地，对于伊辛模型，该方法能与采样要求的下界接近。

Mar, 2012

本文探讨了在高维场景下，从样本中学习成对图模型的结构问题。我们首先讨论了向前向后贪心算法在一般统计模型中应用的稀疏性一致性（稀疏模式恢复）特性。然后，我们将此算法特化到通过邻域估计学习离散图模型的结构问题上。我们的结果保证了样本数 n 随着问题规模 p 的增加而缩放，并且算法仅需要具有受限强凸性条件，这通常比不可表示性假设容易得多。

Jul, 2011

本文考虑了在一种成对图模型中，每个节点的条件分布都属于指数族分布这样一种参数调整问题。该文章证明了参数空间的限制条件以及基于邻域选择方法对于高维数据下的图重建方法的相容性，同时提出了在处理不同参数形式的情况下如何选择节点间边的问题，并举出高斯分布，伯努利分布，泊松分布和指数分布等实例验证了理论发现。

Nov, 2013

将非线性合适降维技术应用于条件独立性评估，引入了一种足够的图模型，该模型在本质上是非参数的，避免了高维核函数引起的维度灾难；通过模拟比较和对 DREAM 4 挑战数据集的分析，证明了该方法在高维设置下，且当高斯或 copula 高斯假设不成立时，其性能优于现有方法。

Jul, 2023

本文提出了一种基于牛顿法的优化程序，通过迭代两个子问题来实现高效计算，使用块协调下降来限制内存使用并实现快速收敛，解决了大规模问题下的内存限制和精度问题。

Sep, 2015

该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013

本文提出了一种基于高维 Expectation Conditional Maximization 算法的、能够在估计异构性图模型的同时学习群集结构的方法，通过在条件极大化步骤中施加联合图套索惩罚来提取所有群集中的同质性和异质性组件来实现学习群集结构，算法具有计算效率并且可以在不需要无监督学习知识的情况下实现，并通过广泛实验和应用于 Glioblastoma 癌症数据集揭示了对 Glioblastoma 癌症的新见解。

Nov, 2016

本文提出了一种新的回归方法，根据样本大小相对于稀疏性条件，在稀疏条件下获得每个精度矩阵条目的渐近高效估计，以解决高斯图模型中有关样本大小问题的难点，同时实现了整个精度矩阵的自适应速率最优估计及在潜变量的图模型中进行推断。

Sep, 2013

本文提出了一种名为 “非参数鸟瞰者” 的半参数方法，用于高效且鲁棒地估计高维无向图模型；该方法采用了 高斯 Copula 图模型 以及 Spearman's rho 和 Kendall's tau 这些非参数秩相关系数估计器，以实现建模的灵活性和估计的鲁棒性。

Feb, 2012