本文探讨了离散图模型结构与广义协方差矩阵逆矩阵的关系,证明了对于某些图结构,指示变量的逆协方差矩阵的支撑集反映了图的条件独立结构,并提出了一种新的方法来估计缺失或受损观测值的结构,给出了这些方法的非渐近性保证并通过模拟说明了这些预测的精度。
Dec, 2012
本文介绍了一种使用概率分布的随机矩阵来管理参数的变分贝叶斯神经网络,并使用矩阵变量高斯参数后验分布来明确建模每个层的输入和输出维度之间的协方差。此外,使用近似协方差矩阵,可以实现比完全分解更高效且更便宜的表示,同时无需损失模型性能。通过引入 “局部重参数化技巧”,可以将此后验分布转换为高斯过程,从而为每个层的隐藏单元提供解释,与深度高斯过程建立联系,并结合伪数据提高了模型采样效率。实验表明所提出的方法的有效性。
Mar, 2016
本文提出了一种基于协方差矩阵的图形表示方法,并定义了相似度测量方法,可用于社交网络的分类,同时该方法的计算效率高,可用于大规模实践,并对截断幂次迭代的研究提供了理论和实证支持。
Apr, 2014
本研究针对出现在深度神经网络分析中的随机矩阵乘积奇异值分布进行了研究,其中,数据矩阵的总体协方差矩阵是随机的,基于随机矩阵理论和标准技术,分析了数据矩阵的非高斯分布并阐述其在分析宏观普适性方面的潜在应用。
Jan, 2020
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
推断稀疏、高维、稳定矩阵变量高斯时间序列的条件独立图 (CIG) 问题,采用基于稀疏组套索的频域公式,并通过交替方向乘法器方法 (ADMM) 求解,结果为局部收敛到真实值的 Frobenius 范数的逼近。
Apr, 2024
本论文提出了一种新的基于统计估计的带有两个部分的框架,通过使用 moralized 图在 DAGs 中选择最佳得分的图。
Nov, 2013
本文介绍了一种新的方法来恢复具有约束拓扑结构的图模型,方法使用了一个潜在结构来驱动一个惩罚矩阵,并同时执行变量之间的条件依赖图和隐含变量的推断
Oct, 2008
本文介绍了非参数高斯 Copula 方法及其在高维推断中的应用,通过将变量进行平滑函数转换,取代正态假设,在估计稀疏无向图中发挥了很好的作用。
Mar, 2009