关键词graphical model selection
搜索结果 - 7
- NIPS稀疏伪似然图模型选择的优化方法
该研究提出了两种基于近端梯度方法的算法，用于在拟似似然框架中执行 l1 - 正则化的逆协方差矩阵评估，证明了该方法具有很好的收敛性和可扩展性。
- 潜变量图模型选择的凸优化方法
对 Venkat Chandrasekaran、Pablo A. Parrilo 和 Alan S. Willsky 的文章 “通过凸优化进行潜变量图模型选择” 的回应。
- 交替方向逼近法用于潜在变量高斯图模型选择
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。
- Ising 模型的高维结构估计：局部分离准则
本文提出了一种基于经验条件变差距离阈值处理的简单算法，针对高维 Ising (图形) 模型选择问题。对于具有稀疏局部分离器的图形族，该方法将是有效的，被用来作为结构估计的基准。我们在该文章中还建立了结构估计的非渐近必要和充分条件。
- 稀疏精度矩阵估计的受限 L1 最小化方法
本文提出了一种基于线性规划的 L1 最小化方法，用于估计稀疏逆协方差矩阵和选择图模型，其直观易用、收敛速度快且效果优于现有方法，适用于实际数据分析。
- 高维下选择二元图模型的信息论极限
研究二元马尔可夫随机场中，图形选择问题在高维情况下的信息论局限性，为具有最多 k 条边的 p 个定点图的类 $Gpk$ 以及最高 degree 不超过 d 的 p 个定点图的类 $Gpd$，提出了正确图形选择的必要和充分条件，并建立了一个图 - 高维噪声环境下稀疏恢复的信息论极限
探讨了在不同应用场景下，基于高斯采样模型的信息理论稀疏模式恢复问题，给出了必要和充分条件，证明用 Lasso 算法能够实现一定精度上的稀疏模式恢复。