.png){kind=icon}
返回
Communication-Efficient Large Precision Matrix Estimation by Distributed Refitted Cross-Validation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-026-4547-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精度矩阵是研究大量变量间条件关系的重要工具。本文提出了一种分布式重拟合交叉验证（DRCV）方法用于分布式场景下的大规模精度矩阵估计，其通信复杂度与精度矩阵的非零元素数量成正比。该方法设计了两次通信过程：第一次通过节点级回归选择精度矩阵的非零位置，第二次构建全局无偏估计。为解决推断后选择的过拟合问题，该方法将每台机器上的观测数据分为两部分，分别用于位置选择和参数估计。在特定条件下，DRCV能实现全局估计的一致性，且允许分布式场景中的机器数量随总样本量增加而增加。模拟数据集和高频股票真实数据集的数值研究显示，DRCV具有良好的估计性能和较低的通信成本。
Keyword:
Data splitting
distributed setting
high dimensionality
sparse precision matrix
期刊
J
IF:
2.8
论文数:
13
被引数:
0
机构
引用论文
暂无论文信息