.png){kind=icon}
返回
Maximum likelihood inference for high-dimensional problems with multiaffine variable relations
.png){kind=icon}
OA
AI
DOI：10.1016/j.automatica.2025.112690.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
连续变量模型的最大似然估计在高维情况下可能非常具有挑战性，这是由于概率分布可能非常复杂。变量间多重相互依赖关系的存在使得建立收敛性保证变得非常困难。这导致广泛使用暴力搜索方法，如网格搜索和蒙特卡洛采样，以及在适用时使用复杂且问题特定的算法。在本文中，我们考虑变量间通过多重仿射表达式相关联的推断问题。我们提出了一种新颖的交替迭代重加权最小二乘（AIRLS）算法，并证明其在广义正态分布问题上的收敛性。我们还提供了一种有效的方法来计算使用AIRLS获得估计值的方差。最后，我们展示了该方法如何应用于图统计模型。我们在几个推断问题上进行了数值实验，结果表明，由于经验观察到的超线性收敛率，该方法在可扩展性、抗噪性和收敛速度方面均优于当前最先进的方法。
Keyword:
Maximum likelihood estimation
Identification methods
Estimation theory
Nonlinear models
Bayesian networks
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。
