Learning Joint Graphical Models With Computational Efficiency, Dynamic Regularization, and Adaptation

doi:10.1109/tsp.2026.3739576

Learning Joint Graphical Models With Computational Efficiency, Dynamic Regularization, and Adaptation

2026-10-01

0

PRE

AI

DOI：10.1109/tsp.2026.3739576

原文链接

原文求助

摘要

En 中文

多源数据集在变量交互研究中很常见，例如异构基因网络、跨域推荐等，其中每个来源诱导出相关但不同的依赖结构。联合学习多个图模型（即多个精度矩阵）已成为分析此类数据的重要工具。与单独学习相比，联合学习可以利用图之间的共享结构模式以获得更准确的结果。在本文中，我们提出了一种自适应方法MIGHT（多任务迭代图硬阈值法）用于联合估计多个图。我们引入了一种基于$\ell_0$的相似性度量，将联合模型重新表述为一系列多任务学习问题，并使用基于迭代硬阈值法的动态正则化算法求解这些问题。通过利用迭代过程的效率和节点框架固有的并行性，所提出的方法计算效率高且易于并行实现。理论上，我们在联合高斯图模型下推导了所得估计量的非渐近误差界。此外，所提出的算法能够适应异构列向信号强度：对于强信号节点，我们的估计量能自适应地实现改进的误差界和选择一致性，并且在不增加去偏步骤的情况下表现出渐近正态性。通过数值模拟和对癌症基因表达RNA-seq数据集的真实数据分析，说明了我们方法的表现。

Keyword:

Graphical model

joint estimation

multi-task learning

nodewise regression

precision matrix estimation

selection consistency

Learning Joint Graphical Models With Computational Efficiency, Dynamic Regularization, and Adaptation

摘要

期刊

机构

引用论文