We develop a penalized likelihood estimation framework to estimate the
structure of gaussian bayesian networks from observational data. In contrast to
recent methods which accelerate the learning problem by restricting the search
space, our main contribution is a fast algorithm for sco
本文研究高维稀疏有向无环图模型或等价的高斯结构方程模型的结构和参数的正则化最大似然估计问题,证明了 DAG 的 $l_0$- 惩罚最大似然估计器具有与最小边 I-MAP 相同数量的边,以 Frobenius 范数收敛,允许节点数 p 远大于样本量 n,但假设稀疏性条件和任何真实 DAG 的任何表示至少有一定比例的非零边权值高于噪声水平,结果不依赖于忠实度假设或基于条件独立测试的方法。
本文提出一种针对高维张量数据的估计和推断方法,通过假设数据遵循张量正态分布来简化精度矩阵的估计,使用交替迭代优化算法估计每个稀疏精度矩阵,并且提出一种去偏置统计推断方法来控制虚警率,实证结果证实了该方法在自闭症谱系障碍和广告点击分析等实际应用上的有效性,同时我们将其编码为一个名为 Tlasso 的公开的 R 包。