高维混合图模型
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
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
本文提出了一种高维多元回归模型,通过惩罚条件对每个响应变量对其他变量的依赖结构进行建模,以构造稀疏的多元回归系数矩阵估计,同时估计稀疏的逆协方差矩阵。该方法能够同时进行多元回归和协方差矩阵的估计,并在一个假设条件下得到渐近选择一致性与正态性,其有效性在多个模拟实验和对 Glioblastoma multiforme 的应用中得到验证。
Jun, 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
本文介绍一种新的 “直和” 基础度量方法用于概率简单形式下的混合随机变量,并对混合离散变量模型的表示与采样提出两种策略,通过基于混合随机变量的自动编码器的实现和表现,验证该方法的有效性。
Aug, 2021