本文探讨了稀疏逆协方差规则化或利用规则化参数 $\rho$ 的图形套索问题。我们提出一个简单的规则，该规则可拆分大规模图形套索问题为更小的易处理问题，从而获得巨大的性能提升。

Aug, 2011

本文研究 Kronecker 图形套索算法在稀疏 Kronecker 产品协方差模型下对独立同分布高斯随机样本的协方差估计的迭代收敛性和 MSE 收敛率，并比较 KGlasso，Glasso 和 FF 算法的渐近收敛速度，结果表明 KGlasso 算法具有比 Glasso 和 FF 更快的收敛速度。

Apr, 2012

该文介绍了如何使用 lasso 算法来进行高维稀疏图的协方差无关估计，实现了变量选择，并控制了图中误连接不同的连通分量的概率，最终实现了稀疏图的一致性估计。

Aug, 2006

Polynomial Graphical Lasso (PGL) 是一种学习从节点信号中获取图结构的新方法，模拟节点信号为高斯和图上的静态信号，提出了一个结合图融奕和更全面模型的图学习公式，通过估计图和精确度矩阵的低复杂度算法来解决优化问题的复杂性和非凸性，对合成和真实数据进行全面的数值模拟验证其优越性，为图学习提供了重要进展，能在图感知信号分析及其他应用上发挥作用。

Apr, 2024

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

本文介绍了一个名为 Tensor Graphical Lasso (TeraLasso) 的多维张量图形 Lasso 的通用模型，可以准确地和可扩展地估计高维变量数据的条件依赖关系，通过提出的复合梯度下降算法，TeraLasso 模型可以有效计算。该模型可以准确地估计精确的矩阵和恢复有意义的条件依赖图，而且在模拟和实验数据中得到广泛应用。

May, 2017

本文通过软阈值和最大行列式矩阵填充问题来探讨解决稀疏逆协方差矩阵估计问题的一种高效算法

Feb, 2018

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

本文介绍了一种基于时间可变图拉索（TVGL）的方法，利用交替方向乘子方法（ADMM）以一种高效的方式推断时间可变网络，评估了该算法的性能，并通过实验结果显示该算法优于最先进的基线算法。

Mar, 2017

我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上，我们阐明了公平性和准确性之间的权衡关系，包括在公平性约束下准确性可以得到保持的情况。此外，我们研究了 Fair GLASSO 的复杂性，并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证，我们展示了我们提出的优化问题和迭代算法的价值和有效性。

Jun, 2024