.png){kind=icon}
返回
Joint graphical lasso with regularized aggregation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jmva.2025.105509.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种在Gaussian graphical models框架下估计高维时间序列多个精度矩阵的方法，特别关注于分析来自多个受试者的功能磁共振成像（fMRI）数据。我们的目标是估计个体脑网络以及代表一组受试者的集体结构。为此，我们提出了一种利用group Graphical Lasso和正则化聚合的方法，以同时估计个体和组精度矩阵，并根据个体在组内的离群状态为其分配不同的权重。我们研究了在不同范数和期望下精度矩阵估计量的收敛率，并使用sub-Gaussian和重尾数据评估其性能。通过模拟和真实fMRI数据分析，验证了我们方法的有效性。
Keyword:
Aggregation
Brain connectivity
Joint estimation
Long-memory
Precision matrix estimation
Regularization
Time series
期刊
J
IF:
1.7
论文数:
97
被引数:
5.8K
机构
引用论文
Minimax estimation of covariance and precision matrices for high-dimensional time series with long-memory高维长记忆时间序列的协方差矩阵和精度矩阵的极小极大估计.png)
IF0
PREAI
分享收藏
分享收藏The joint graphical lasso for inverse covariance estimation across multiple classes跨多个课程的逆协方差估计的联合图形套索
OAAI
OAAI分享收藏
查看更多内容