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
本文介绍了一个基于高斯图模型和谱图理论的统一图学习框架,通过对图矩阵的谱约束实现了特定结构的图形式化,提出的算法具有收敛性,计算高效,在合成和真实数据集上的实验表明了其有效性。
Apr, 2019
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
本文提出了一种学习概率图模型的方法,该方法通过优化图分布的平均性能来学习未知的图结构,并且通过神经网络参数化图分布,能够可微分地对离散图进行采样。实证评估表明,该方法比最近提出的双层学习方法以及基于深度学习或非深度学习,基于图形或非图形的预测模型更为简单,高效,性能更好。
Jan, 2021
本文提出了一种基于图拉普拉斯矩阵的谱性质与高斯图模型相结合的统一图学习框架,该算法能够有效地学习一大类图族的结构,并在大规模半监督和无监督的基于图的学习任务上进行实际的应用。
Sep, 2019
本文介绍了一种基于 Chomsky 层次的直观简洁性概念,利用 Hankel 矩阵的跟踪范数作为频谱正则化器的高级模型,并提出了一种偏袒随机估计器以应对 Hankel 矩阵是双无限的事实,最终证明了频谱正则化在 Tomita 语法上的潜在优势以及提议的随机估计器的有效性。
Nov, 2022
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
本文提出了一种新颖的局部平稳性概念,并且建立了图信号的功率谱密度模型,实现了多项用途包括杂讯抑制和回归。
Jan, 2016
该论文介绍了一种自动发现复杂时间序列数据准确模型的新方法,该方法通过贝叶斯非参数先验和符号空间上的高斯过程时间序列模型,以及蒙特卡洛方法和马尔可夫链蒙特卡洛方法的结合进行有效的后验推断。实证测量表明,相比以往的马尔可夫链蒙特卡洛方法和贪心搜索结构学习算法,我们的方法在相同模型族上可以提供 10 倍至 100 倍的运行时间加速。我们将该方法应用于 1,428 个计量经济学数据集的重要基准的首次大规模评估,结果显示我们的方法能够发现合理的模型,在挑战性数据上相比于常用的统计和神经网络模型,可以提供更准确的点预测和区间预测。
Jul, 2023
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