关键词gaussian graphical model
搜索结果 - 10
- 聚类路径高斯图模型
用 Clusterpath 估计器（CGGM）引入图模型中的变量聚类来解决变量增多的解释性和估计不确定性挑战，通过使用循环块坐标下降算法实现了 CGGM 估计器的高效计算，模拟实验和实际应用中 CGGM 在图模型中的变量聚类中超越了其他先进 - 高斯图模型结构学习中交叉验证的不一致性
通过理论分析和实证研究，我们揭示了交叉验证在高斯图模型中泛化有限，并通过与其他常用信息准则进行对比，揭示了这种不一致性。这对于需要超参数选择的图模型结构学习算法来说具有重要意义。
- 稀疏精度矩阵的压缩恢复
本研究旨在通过对数据的草图进行估计，从而学习一个能够准确解释数据的稀疏图模型，采用了压缩视角和基于图形套索的迭代算法，同时研究了通过合成数据集进行性能对比的可能性。
- 从高斯图模型和高斯自由场学习网络
通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。
- 使用离散优化的稀疏高斯图模型：计算和统计视角
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。
- 用分数边际伪似然学习高斯图模型
本文提出了一种新的基于贝叶斯近似推断的方法，用于学习高斯图模型的依赖结构，通过伪似然方法，无需引入有关可分解性的任何假设即可得到近似边缘似然值，结合简单的稀疏性先验和默认的参考 prior，得到了一个快速适用于高维数据的评估函数，本方法与其 - 分组融合图形 lasso 的块状常数高斯图模型的正则化估计
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 - 大型高斯图模型参数估计的渐近正态性和优化性质
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。
- 受控实验中高斯图模型结构变化的学习
本文介绍一种在高斯图形模型中提取结构变化的有效学习策略，运用基于 l1 正则化的凸优化解决该问题，并通过块坐标下降算法实现该策略。在此基础上，我们将其应用于不同条件下的基因调控网络模拟，并获得了有前途但切合生物学的结果。
- 高维高斯图模型选择：漫步可加性与局部分离准则
论文讨论高维高斯图模型选择问题，提出一种基于经验条件协方差的阈值算法，通过这个算法可以在可接受的时间内求解一些图形，此算法在某些透明条件下是一致的，与该模型的非零度和拓扑结构有关。