多类别下的逆协方差估计联合图形拉索

Nov, 2011

多类别下的逆协方差估计联合图形拉索

The joint graphical lasso for inverse covariance estimation across multiple classes

Patrick Danaher, Pei Wang, Daniela M. Witten

TL;DR本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

Abstract

We consider the problem of estimating multiple related but distinct graphical models on the basis of a high-dimensional data set with observations that belong to distinct classes. A motivating example occurs in the analysis of gene expression data for tissue samples with and without cancer. In this case, we might wish to estimate a gene expression network fo

graphical models gene expression data joint approach lasso penalties covariance structure

发现论文，激发创造

Lasso 方法下的高维图表与变量筛选

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

异质图模的同时聚类与估计

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

大规模图形 Lasso 中的精确协方差阈值分解为连通组件

本文探讨了稀疏逆协方差规则化或利用规则化参数 $\rho$ 的图形套索问题。我们提出一个简单的规则，该规则可拆分大规模图形套索问题为更小的易处理问题，从而获得巨大的性能提升。

Aug, 2011

推断多个图结构

本文提出了两种估计多个相关图的方法，并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果，证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。

Dec, 2009

分组融合图形 lasso 的块状常数高斯图模型的正则化估计

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

多变量回归方法在定量性状网络关联分析中的应用

该研究提出了一种名为图引导融合套索（GFlasso）的新的统计框架，通过将量化特征的相关性结构表示为网络，并利用该特征网络在基因型和特征上编码结构正则化，以便高灵敏度和特异性地检测共同影响高度相关特征子组的遗传标记。

Nov, 2008

图形套索与阈值化：等效性和封闭形式的解决方案

本文比较了 Graphical Lasso 技术与数值便宜的启发式方法，在构建两个类型的矩阵的基础上，当阈值样本协方差矩阵是符号一致、反转一致的同时，且最大阈值和最小阈值之间的差距不是太小的情况下，阈值和 GL 技术等效，并且建立在此基础上，通过解决一些优化问题，在类别支持图和其他数据集上获得了准确的结果。

Aug, 2017

基于节点学习的多个高斯图模型

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

基于时变图形套索的网络推断

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

张量图形套索（TeraLasso）

本文介绍了一个名为 Tensor Graphical Lasso (TeraLasso) 的多维张量图形 Lasso 的通用模型，可以准确地和可扩展地估计高维变量数据的条件依赖关系，通过提出的复合梯度下降算法，TeraLasso 模型可以有效计算。该模型可以准确地估计精确的矩阵和恢复有意义的条件依赖图，而且在模拟和实验数据中得到广泛应用。

May, 2017