.png){kind=icon}
返回
Learning Sparse High-Dimensional Matrix-Valued Graphical Models From Dependent Data
.png){kind=icon}
OA
AI
DOI：10.1109/tsp.2024.3395897.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑推断稀疏、高维、平稳矩阵高斯时间序列的条件独立性图（CIG）的问题。所有关于高维矩阵图模型的高维工作都假设可获得矩阵变量的独立同分布（i.i.d.）观测值。这里我们允许依赖观测值。我们考虑一个基于稀疏组lasso的频域问题表述，其功率谱密度（PSD）具有Kronecker可分解性，并通过乘子交替方向法（ADMM）求解该问题。该问题是双凸的，通过翻转优化求解。我们给出了逆PSD估计量在Frobenius范数下收敛到真实值的局部收敛充分条件。这一结果也给出了收敛速率。我们使用数值示例说明我们的方法，利用合成数据和真实数据。
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。
