ICMLJun, 2014

学习潜变量高斯图模型

PDF
TL;DR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。
gaussian graphical modelslatent variableinverse covariance matrixparameter estimationhigh-dimensional data
发现论文，激发创造
  • 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

  • 推断具有潜在结构的稀疏高斯图模型

    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

  • 稀疏高斯图模型的贝叶斯结构学习

    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

  • 高斯图模型的条件矩阵流

    该研究提出了一种变分推断方法，通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布，对任意正则化参数 λ 和任意 l_p (伪 -) 范数，包括非凸的 l1 伪范数进行联合训练，从而获得一个模型，并可以恢复频率主义的解路径。

    Jun, 2023

  • 稀疏多变量回归与条件图模型的联合估计

    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

  • 带截断高斯图模型的无监督学习

    本文介绍了一种新型 GGMs 变体，其通过在 GGM 上施加二分结构，并使用截断正态分布来管理隐藏变量以放宽高斯限制，实现了非常有效的推断，进而建立了与修正线性单元（ReLU）神经网络的连接，用于真实值，二进制和计数数据的输出构建，还将该模型扩展到深层结构，并展示了深层模型可以用于修正单元神经网络的无监督预训练。大量实验证据证明了提出的模型相对于竞争模型的优越性。

    Nov, 2016

  • 使用离散潜变量学习表征的稀疏性

    本文提出了一种称为 SDLGM 的稀疏深度潜在生成模型，可以通过限制表征的非零特征的数量实现数据的稀疏学习，其生成的稀疏表示可以根据观察本身调整，并使用 Gumbel-Softmax 分布进行两步采样生成，采取蒙特卡罗梯度估计器的变分方法进行推论和学习，实验结果表明其性能优于传统的生成模型。

    Apr, 2023

  • 高维半参数潜在图模型中的混合数据

    本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

    Apr, 2014

  • 学习具有观测或潜在 FVS 的高斯图模型

    本文研究带有小反馈顶点集的高斯图模型，提出了有效的结构学习算法，特别是针对隐藏变量的情况，能够通过交替低秩校正等方式成功地学习模型参数，并用合成数据和真实数据进行了验证。

    Nov, 2013

  • 基于相关数据的学习稀疏高维矩阵值图模型

    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