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

本文提出一种针对高维张量数据的估计和推断方法，通过假设数据遵循张量正态分布来简化精度矩阵的估计，使用交替迭代优化算法估计每个稀疏精度矩阵，并且提出一种去偏置统计推断方法来控制虚警率，实证结果证实了该方法在自闭症谱系障碍和广告点击分析等实际应用上的有效性，同时我们将其编码为一个名为 Tlasso 的公开的 R 包。

Sep, 2016

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

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

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

本文提出了一种基于牛顿法的优化程序，通过迭代两个子问题来实现高效计算，使用块协调下降来限制内存使用并实现快速收敛，解决了大规模问题下的内存限制和精度问题。

Sep, 2015

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

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