.png){kind=icon}
返回
Tree-based heterogeneous block Gaussian graphical models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.csda.2026.108399.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高斯图模型通过精度矩阵估计揭示条件依赖结构。针对样本异质性未知及变量间存在未知块结构的数据，本文提出了一种新的估计方法。在这种情况下，未考虑异质性会从根本上损害分析的有效性，而忽略块结构会导致生成过于复杂的图，难以解释。所提出的方法整合了混合模型以捕捉异质性，并通过将树结构信息嵌入估计过程来诱导块结构。开发了一种高维期望-条件-最大化算法来实现所提出的方法。广泛的模拟结果表明其相较于密切相关方法具有实际优势。在光谱数据分析中，该方法被应用于食品掺假检测，成功识别了异质性和块结构。与现有方法相比，它提供了更全面且易于解释的结果。
Keyword:
Heterogeneity
Block graphical model
Network-based analysis
Mixture model
Regularization
期刊
C
IF:
1.6
论文数:
43
被引数:
0
机构
引用论文
.png){kind=icon}
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分享收藏分享收藏
查看更多内容