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

本文比较了 Graphical Lasso 技术与数值便宜的启发式方法，在构建两个类型的矩阵的基础上，当阈值样本协方差矩阵是符号一致、反转一致的同时，且最大阈值和最小阈值之间的差距不是太小的情况下， 阈值和 GL 技术等效，并且建立在此基础上，通过解决一些优化问题，在类别支持图和其他数据集上获得了准确的结果。

Aug, 2017

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

本文提出了一种新颖的局部平稳性概念，并且建立了图信号的功率谱密度模型，实现了多项用途包括杂讯抑制和回归。

Jan, 2016

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

通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。

Mar, 2018

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

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

研究了非线性观测信号估计问题，当信号属于高维空间中的低维集合时，可以使用广义 Lasso 方法，针对非线性观测信号进行噪声线性观察建模，通过信号重建结构降低误差，允许信号具有不连续、多义和未知的非线性特征，并允许测量矩阵的行具有未知的协方差矩阵。

Feb, 2015