本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

Nov, 2011

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015

图形模型中的算法通过引入一个两阶段算法来高效估计中心节点图形模型，在高维任务中执行时间减少 70％以上，同时仍然实现高质量的估计。

Aug, 2023

该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013

在分布式数据中，通过结构化数据进行 EM 估计的集群结构可有效提高学习方案，最多需要 O (1) 次迭代以达到相同的统计准确性，只要 m 按照 e^{o (n)} 增长。

Aug, 2023

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

本文考虑了在一种成对图模型中，每个节点的条件分布都属于指数族分布这样一种参数调整问题。该文章证明了参数空间的限制条件以及基于邻域选择方法对于高维数据下的图重建方法的相容性，同时提出了在处理不同参数形式的情况下如何选择节点间边的问题，并举出高斯分布，伯努利分布，泊松分布和指数分布等实例验证了理论发现。

Nov, 2013

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

该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

Jul, 2023