稀疏条件高斯图模型的大规模优化算法
使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数,以得到稀疏的无向图模型,并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。
Jul, 2007
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
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
本文研究了广义条件梯度算法在解决稀疏结构优化问题中的应用,提出了优化极化算子计算的高效方法,证明其在数据处理方面的有效性。实验表明,该算法能够显著减少现有方法的训练成本。
Oct, 2014
我们提出了一种稀疏图的学习方法,应用于一个无向高斯图模型的问题,并通过凸混合整数规划框架得到了新的估计器,该估计器在稀疏性精度矩阵的估计与变量选择方面有着优越的性能。
Jul, 2023
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
本文提出了一种新的回归方法,根据样本大小相对于稀疏性条件,在稀疏条件下获得每个精度矩阵条目的渐近高效估计,以解决高斯图模型中有关样本大小问题的难点,同时实现了整个精度矩阵的自适应速率最优估计及在潜变量的图模型中进行推断。
Sep, 2013
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
本文研究了从高维实证观测中对高斯图模型进行部分估计的方法,提出了使用 $\ell_1$-regularized 最大似然估计的凸优化模型,并采用块坐标下降算法进行求解。实验证明该方法在统计估计性能和实际应用中表现优异。
Sep, 2012
本文介绍了一种基于贝叶斯思想的算法框架,通过查询稀疏线性模型后验协方差来解决高阶贝叶斯决策问题,并且利用该算法框架成功地推动了磁共振成像的采样轨迹优化,为实际图像的压缩感知提供了新的启示。
Oct, 2008