本文提出了一种基于领域知识权重的新型混合范数，将两个带权稀疏性约束（共享交互作用和任务特异性结构模式）融合为最小化目标，在多任务 sGGMs 问题上取得了较高的计算效率和预测准确率。

Jun, 2018

本文提出了一种基于高维 Expectation Conditional Maximization 算法的、能够在估计异构性图模型的同时学习群集结构的方法，通过在条件极大化步骤中施加联合图套索惩罚来提取所有群集中的同质性和异质性组件来实现学习群集结构，算法具有计算效率并且可以在不需要无监督学习知识的情况下实现，并通过广泛实验和应用于 Glioblastoma 癌症数据集揭示了对 Glioblastoma 癌症的新见解。

Nov, 2016

本篇论文针对 Joint Energy-based Model (JEM) 的稳定性、准确性和速度提出了多种新的训练流程和架构特征，其中包括使用 proximal SGLD 生成与之前步骤相邻的样本、将 EBM 的近似最大似然学习视为多步微分博弈，并扩展 YOPO 框架以削减反向传播过程中的冗余计算、采用从训练数据中估计的分布采样的新的信息性初始化，以及在 JEM 中应用批量归一化等。

Sep, 2021

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

本文提出了一种新颖的方法 SIMULE，通过受限 L1 最小化来学习多 UGM，包括实体网络、无向图模型和多变量非正态数据，旨在发掘不同上下文中特定和共享的边模式，且在合成和生物医学数据上都表现出显著的改进性。

May, 2016

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

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

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

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

本研究介绍了一种用于流体力学代理建模的高效稀疏高斯过程（E-SGP）算法，它结合了高效高斯过程（E-GP）和变分能量自由稀疏高斯过程（VEF-SGP）的概念，通过指定诱导点和使用 Kronecker 乘积，显著提高了计算效率。 E-SGP 算法在可伸缩性和模型质量方面优于 E-GP，在流体力学问题中，E-SGP 是一个更具潜力的选择，具有可比较的准确度但更高的计算效率。

Dec, 2023