.png){kind=icon}
返回
Learning pairwise Markov network structures using correlation neighborhoods
.png){kind=icon}
PRE
AI
DOI：10.1080/03610918.2025.2602032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
马尔可夫网络在多元统计学和计算机科学中得到了广泛的研究和应用。特别地，近年来文献对从数据中学习马尔可夫网络结构的问题给予了相当大的关注，该问题旨在不引入弦性假设的情况下保留模型类的表达能力，其中引入了多种基于约束或基于评分的方法。这里我们开发了一种新的网络评分优化搜索算法，该算法具有若干计算优势，并且能够很好地扩展到高维数据集。该算法的关键观察在于，可以通过利用邻域内随着图论距离从焦点节点增加而呈现指数衰减的相关性，利用局部的惩罚似然比（PLR）检验高效地捕获变量的邻域。然后，候选邻域通过两阶段爬山（HC）算法进行处理。我们的方法，全称为PLRHC-BIC0.5，在涵盖低维和高维网络以及广泛样本量的所有实验中，均优于当前最先进的方法。PLRHC-BIC0.5的高效实现可免费从以下网址获取：https://github.com/jurikuronen/plrhc。
Keyword:
Bayesian information criterion
Correlation decay
Markov network
Pseudo-likelihood
Structure learning
期刊
C
IF:
0.8
论文数:
213
被引数:
4.7K
机构
引用论文
分享收藏
分享收藏分享收藏HIGH-DIMENSIONAL ISING MODEL SELECTION USING l1-REGULARIZED LOGISTIC REGRESSION基于l1-REGULARIZED LOGISTIC回归的高维ISING模型选择.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏 没有更多内容
没有更多内容