.png){kind=icon}
返回
Clusterpath Gaussian Graphical Modeling
.png){kind=icon}
OA
AI
DOI：10.1080/10618600.2026.2653764.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图模型作为可视化变量间条件依赖关系的有效工具。然而，随着变量数量的增长，解释变得愈发困难，且由于参数数量相对于观测数量的庞大，估计不确定性增加。为应对这些挑战，我们引入高斯图模型（CGGM）的聚类路径估计量，该估计量以数据驱动的方式促进图模型中的变量聚类。通过使用聚合惩罚，我们将变量分组，进而得到一个块结构的精度矩阵，其块结构在协方差矩阵中得以保持。CGGM估计量被表述为凸优化问题的解，便于整合其他流行的惩罚方案，我们通过结合聚合与稀疏惩罚对此进行说明。我们提出了一种计算高效的CGGM估计量实现方法，采用循环块坐标下降算法。在模拟中，我们证明CGGM不仅在变量聚类方面达到，而且常常优于图模型中其他最先进的方法。我们还通过一系列多样化的实证应用，展示了CGGM的实用优势和通用性。
Keyword:
Block structure
Covariance matrix
Hierarchical clustering
Precision matrix
Unsupervised learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
1.8
论文数:
141
被引数:
6.4K
机构
引用论文
.png){kind=icon}
Joint Estimation of the Two-Level Gaussian Graphical Models Across Multiple Classes多类别下两级高斯图模型的联合估计OAAI
OAAI分享收藏分享收藏
查看更多内容