May, 2014

通过交替最小化实现的稀疏高斯图模型估计 - G-AMA

PDF
TL;DR本文提出了一种新的基于交替最小化算法的方法 G-AMA，用于解决稀疏逆协方差估计问题，相对于先前的算法大大提高了计算速度，并能够处理高维现代数据集的机器学习任务。
sparse gaussian graphical modelsinverse covariance matrixalternating minimization algorithmhigh throughput applicationsill-conditioned problems
发现论文，激发创造
  • 交替方向逼近法用于潜在变量高斯图模型选择

    该论文提出了两种解决图模型选择问题的交替方向乘子法方法，即用经典的交替方向乘子法解决共识问题和用贴近梯度的交替方向乘子法。数值实验表明：两种方法都较好地解决了含有百万变量的问题，并且比牛顿 - CG 次梯度算法快 5-35 倍。

    Jun, 2012

  • GLAD：学习稀疏图恢复

    本文提出了一种基于深度学习的方法（GLAD），通过交替极小化算法及监督学习，实现从数据中恢复稀疏条件独立图的目标，为解决数据驱动方案中矩阵的正定性和稀疏性不易保证及参数量大等问题提供了一种有效的模型思路。

    Jun, 2019

  • 稀疏逆协方差估计的迭代阈值算法

    本文提出了一种基于近端梯度方法（G-ISTA）的 L1 正则化协方差矩阵估计方法，它具有线性收敛率和 O (log e) 迭代复杂度，能够有效地用于产生稀疏逆协方差估计量，并探讨了其特性及在数值测试中的表现。

    Nov, 2012

  • 使用二次逼近法稀疏逆协方差矩阵估计

    本研究提出了一种基于牛顿法的新型算法，用于解决优化问题，该问题是一个正则化的对数行列式程序，能够从非常有限的样本中恢复稀疏逆协方差矩阵，或者是高斯马尔科夫随机场的基础图结构，并通过合成和真实的应用数据实验结果表明，与其他最先进的方法相比，我们的方法在性能上有了显着的改进。

    Jun, 2013

  • 非凸优化在潜变量高斯图模型估计中的加速

    通过矩阵分解方法和基于硬阈值的迭代梯度下降算法，我们提出了一个针对潜变量高斯图模型（LVGGM）的稀疏和低秩分量的估计方法，实验结果表明该算法比现有算法更加优越。

    Feb, 2017

  • 学习潜变量高斯图模型

    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

  • 稀疏精度矩阵估计的受限 L1 最小化方法

    本文提出了一种基于线性规划的 L1 最小化方法，用于估计稀疏逆协方差矩阵和选择图模型，其直观易用、收敛速度快且效果优于现有方法，适用于实际数据分析。

    Feb, 2011

  • 双域稀疏视角 CT 重建的学习交替最小化算法

    本文提出了一种新颖的学习交替最小化算法（LAMA），用于双域稀疏视图计算机断层成像（CT）图像重建，并在众多基准 CT 数据集上显示 LAMA 显着优于现有方法。

    Jun, 2023

  • 稀疏伪似然图模型选择的优化方法

    该研究提出了两种基于近端梯度方法的算法，用于在拟似似然框架中执行 l1 - 正则化的逆协方差矩阵评估，证明了该方法具有很好的收敛性和可扩展性。

    Sep, 2014

  • 任意数据损坏下的鲁棒在线协方差和稀疏精度估计

    使用修正的修剪内积算法，即使在存在任意和对抗性数据攻击的情况下，我们也可以在在线场景中稳健地估计协方差。我们提出了一种在线算法来估计稀疏逆协方差（即精度）矩阵，尽管存在数据损坏。我们提供了算法对真实精度矩阵的估计的误差界和收敛性质。

    Sep, 2023