×
Clément Mantoux;斯坦利·德勒曼;圣法尼，阿拉松尼

矩阵潜在分解模型的渐近分析。 （英语） Zbl 1493.62647号

ESAIM，Probab公司。斯达。 26, 208-242 (2022).
摘要：矩阵数据集出现在医疗应用的网络分析中，其中每个网络都属于一个主题，并代表一个可测量的表型。这些大维数据通常使用低维潜在变量进行建模，这解释了大多数观察到的变异性，并可用于预测目的。在本文中，我们为矩阵数据集的分层统计模型的估计提供了渐近收敛性保证。它通过对矩阵特征分解的截断建模来捕获矩阵的可变性。我们证明了该模型是可识别的，并且可以进行一致的最大后验概率（MAP）估计来估计特征值和特征向量的分布。对于模型的限制版本，MAP估计量被证明是渐近正态的。

MSC公司：

62兰特 歧管统计
2012年12月62日 参数估计量的渐近性质
62H11型 方向数据；空间统计学

关键词：

层次模型;矩阵数据集;劣等的;斯蒂弗尔流形;可识别性;强一致性;渐近正态性

软件：

rstiefel公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Mantoux}等人，ESAIM，Probab。Stat.26，208--242（2022；Zbl 1493.62647）
全文： 内政部
OA许可证

参考文献：

[1] C.Aicher、A.Z.Jacobs和A.Clauset，学习加权网络中的潜在块结构。J.复杂网络。3 (2015) 221-248. ·Zbl 1397.68151号 ·doi:10.1093/comnet/cnu026
[2] M.Ali和J.Gao，使用流形值数据通过最大似然估计对矩阵变量fisher-bingham分布进行分类。神经计算295（2018）72-85·doi:10.1016/j.neucom.2018.01.048
[3] S.Allassonniere，Y.Amit和A.Trouve，《密集可变形模板估计的相干统计框架》。《皇家统计学会期刊》69（2007）3-29·Zbl 07555347号 ·doi:10.1111/j.1467-9868.2007.00574.x
[4] E.S.Allman、C.Matias和J.A.Rhodes，具有多个观测变量的潜在结构模型中参数的可识别性。《美国年鉴》37（2009）3099-3132·Zbl 1191.62003号 ·doi:10.1214/09-AOS689
[5] T.W.Anderson和Y.Amemiya，一般条件下因子分析中估计量的渐近正态分布。《美国年鉴》第16卷（1988年）第759-771页·Zbl 0646.62051号 ·doi:10.1214/aos/1176350834
[6] O.E.Barndorff-Nielsen，指数族混合的可识别性。数学杂志。分析。应用。12 (1965) 115-121. ·Zbl 0138.12105号 ·doi:10.1016/0022-247X（65）90059-4
[7] O.E.Barndorff-Nielsen，《信息与指数族》。在：统计理论，威利系列概率和数理统计。威利，奇切斯特，纽约（1978年）·Zbl 0387.62011号
[8] P.J.Bickel，Y.Ritov和T.Rydén，一般隐马尔可夫模型最大似然估计量的渐近正态性。《Ann.Stat.26》（1998）1614-1635·Zbl 0932.62097号 ·doi:10.1214操作系统/1024691255
[9] S.Bonhome和J.-M.Robin，一致噪声独立分量分析。《经济学杂志》。149 (2009) 12-25. ·Zbl 1429.62215号 ·doi:10.1016/j.jeconom.2008.12.019
[10] J.Chen、G.Han、H.Cai、J.Ma、M.Kim、P.Laurienti和G.Wu，估计Stiefel流形上大脑网络的共同谐波，载于A.L.Martel、P.Abolmaesumi、D.Stoyanov、D.Mateus、M.A.Zuluaga、S.K.Zhou、D.Racceanu和L.Joskowicz（编辑），医学图像计算和计算机辅助干预-MICCAI 2020，《计算机科学讲义》，施普林格国际出版公司，Cham（2020）367-367。
[11] J.Chevallier、V.Debavelaere和S.Allassonniére，从纵向流形值数据学习时空分段测地轨迹的连贯框架。SIAM J.伊玛格。科学。14 (2021) 349-388. ·Zbl 1474.62463号 ·数字对象标识代码：10.1137/20M1328026
[12] Y.Chikuse，集中矩阵Langevin分布。J.多变量。分析。85 (2003) 375-394. ·兹比尔1016.62065 ·doi:10.1016/S0047-259X（02）00065-9
[13] Y.Chikuse，《特殊流形的统计》，《统计学讲义》，Springer-Verlag，纽约（2003年）·Zbl 1026.62051号 ·数字对象标识代码：10.1007/978-0-387-21540-2
[14] Y.Chikuse，特殊流形上的状态空间模型。J.多变量。分析。97 (2006) 1284-1294. ·Zbl 1099.62098号 ·doi:10.1016/j.jmva.2006.03.002
[15] R.Douc，隐马尔可夫模型中渐近Fisher信息矩阵的非奇异性。arXiv:math/0511631（2005）。
[16] R.Douc，E.Moulines，J.Olsson和R.van Handel，一般隐马尔可夫模型最大似然估计的一致性。《Ann.Stat.39》（2011）474-513·Zbl 1209.62194号
[17] R.Douc，F.Roueff和T.Sim，观测驱动模型可辨识的充要条件。J.时间序列。分析。42 (2021) 140-160. ·Zbl 1493.62518号 ·doi:10.1111/jtsa.12559
[18] N.S.D’Souza、M.B.Nebel、N.Wymbs、S.Mostofsky和A.Venkataraman，一种生成-鉴别基础学习框架，用于根据静息状态功能MRI数据预测临床严重程度，收录于A.F.Frangi、J.A.Schnabel、C.Davatzikos、C.Alberola-Léopez和G.Fichtinger（编辑），医学图像计算和计算机辅助干预——2018年MICCAI。Springer International Publishing，Cham（2018），第11072卷，163-163页·文件编号：10.1007/978-3-030-00931-1_19
[19] N.S.D’Souza、M.B.Nebel、N.Wymbs、S.Mostofsky和A.Venkataraman，整合神经网络和字典学习以从功能连接组学数据中进行多维临床表征，收录于D.Shen、T.Liu、T.M.Peters、L.H.Staib、C.Essert、S.Zhou、P.-T.Yap和A.Khan（编辑），医学图像计算和计算机辅助干预——2019年MICCAI。Springer International Publishing，Cham（2019），第11766卷，第709-709页·doi:10.1007/978-3-030-32248-9-79
[20] L.L.Duan、G.Michailidis和M.Ding，尖峰拉普拉斯图：异构网络中的贝叶斯社区检测。arXiv:1910.02471
[21] A.Edelman、T.A.Arias和S.T.Smith，正交约束算法的几何。SIAM J.矩阵分析。应用。20（1998）303-353·Zbl 0928.6500号 ·doi:10.1137/S089547989529290954
[22] 范，关于线性变换特征值的weyl定理I.程序。国家。阿卡德。科学。35 (1949) 652-655. ·Zbl 0041.00602号 ·doi:10.1073/pnas.35.11.652
[23] P.J.Forrester，对数气体和随机矩阵（LMS-34）。伦敦数学学会专著第34卷。普林斯顿大学出版社（2010）·Zbl 1217.82003年
[24] C.Fraikin、K.Hüper和P.V.Dooren，《Stiefel流形上的优化》，载于《PAMM：应用数学与力学学报》第7卷。威利在线图书馆（2007）1062205-1062205·doi:10.1002/pamm.200700861
[25] 顾勇，徐国荣，层次潜在属性模型的可辨识性。arXiv:1906.07869
[26] P.D.Hoff，矩阵Bingham-von-Mises-Fisher分布的模拟，及其在多元和关系数据中的应用。J.计算。图表。《统计》第18卷（2009年）第438-456页·doi:10.1198/jcgs.2009.07177
[27] H.Holzmann、A.Munk和B.Stratmann，有限混合物的可识别性——应用于圆形分布。Sankhya 66（2004）440-449·Zbl 1192.62144号
[28] S.Janson，Graphons，Cut Norm and Distance，Couplings and Rearrangements，《纽约数学杂志》第4卷。纽约州立大学纽约JM专著，奥尔巴尼奥尔巴尼大学，纽约4（2013）76·Zbl 1268.05001号
[29] M.Jauch、P.D.Hoff和D.B.Dunson，随机正交矩阵和Cayley变换。伯努利26（2020）1560-1586·Zbl 1466.60010号 ·doi:10.3150/19-BEJ1176
[30] P.E.Jupp和K.V.Mardia，矩阵Von Mises-Fisher和Bingham分布的最大似然估计。Ann.Stat.7（1979）599-606·Zbl 0406.62012年
[31] J.T.Kent，《定向数据有限混合的可识别性》，《Ann.Stat.11》（1983年）·Zbl 0515.62018号
[32] C.G.Khatri和K.V.Mardia，《定向统计中的von Mises-Fisher矩阵分布》。J.R.Stat Soc.Ser.（英国统计学会期刊）。B（方法学）39（1977）95-106·Zbl 0356.62044号
[33] A.Khetan和M.Mj，图极限的Cheeger不等式，arXiv:1807.02225
[34] T.N.Kipf和M.Welling，《利用图卷积网络进行半监督分类》，载于2017年《ICLR》（2017年）。
[35] A.Kume，S.P.Preston和A.T.A.Wood，球面和Stiefel流形乘积上Fisher-Bingham分布归一化常数的鞍点近似。Biometrika 100（2013）971-984·Zbl 1452.62998号 ·doi:10.1093/biomet/ast021
[36] P.Latouche和S.Robin，图函数的变分贝叶斯模型平均和W图模型中的基元频率推断，统计计算。26（2016）1173-1173·Zbl 1349.62081号 ·doi:10.1007/s11222-015-9607-0
[37] M.Lavielle和L.Aarons，混合效应模型中的可识别性意味着什么？。《药代动力学杂志》。药物动力学。43 (2016) 111-122. ·doi:10.1007/s10928-015-9459-4
[38] E.L.Lehmann和G.Casella，点估计理论，统计学中的Springer文本，第二版。，Springer，纽约（2003年）·Zbl 0916.62017号
[39] X.Li、N.C.Dvornek、Y.Zhou、J.Zhuang、P.Ventola和J.S.Duncan，用于解释任务-fMRI生物标记物的图形神经网络，收录于D.Shen、T.Liu、T.M.Peters、L.H.Staib、C.Essert、S.Zhou，P.-T.Yap和A.Khan（编辑），医学图像计算和计算机辅助干预-MICCAI 2019，计算机科学讲稿，Springer International Publishing，Cham（2019）485-485。
[40] X.Liang，L.Wang，L.-H.Zhang和R.-C.Li，关于广义迹最小化。arXiv:2104.00257
[41] L.Lin，V.Rao和D.Dunson，Stiefel流形上的贝叶斯非参数推断。统计正弦。27 (2017) 535-553. ·Zbl 1362.62071号
[42] L.Lovász，《大型网络和图极限》。座谈会出版物，第60卷，美国数学学会，罗德岛州普罗维登斯（2012）·Zbl 1292.05001号 ·doi:10.1090/coll/060
[43] C.Mantoux、B.Couvy Duchesne、F.Cacciamani、S.Epelbaum、S.Durrleman和S.Allassonnière，通过Stiefel流形上的统计建模理解图形数据集的可变性，熵23（2021）490·doi:10.3390/e23040490
[44] S.S.Mukherjee和S.Chakrabarti，部分观测网络数据的Graphon估计。arXiv公司：1906.00494
[45] S.C.Olhede和P.J.Wolfe，网络直方图和块模型近似的普遍性。程序。国家。阿卡德。科学。111 (2014) 14722-14727. ·doi:10.1073/pnas.1400374111
[46] S.Pal，S.Sengupta，R.Mitra和A.Banerjee，Stiefel流形上矩阵Langevin分布的共轭先验和后验推断。贝叶斯分析。15 (2020) 871-908. ·Zbl 1459.62238号
[47] T.P.Peixoto，贝叶斯随机块建模，载于P.Doreian、V.Batagelj和A.Ferligoj（编辑），《网络聚类和块建模进展》，《计算和定量社会科学中的威利系列》，289-332，威利（2020）。
[48] 任振华，孙振华，张春华，周海华，大高斯图形模型估计中的渐近正态性和最优性。《Ann.Stat.43》（2015年）·Zbl 1328.62342号
[49] A.A.Shabalin和A.B.Nobel，在高斯噪声存在下重建低秩矩阵。J.多变量。分析。118 (2013) 67-76. ·Zbl 1280.15022号 ·doi:10.1016/j.jmva.2013.03.005
[50] B.Sischka和G.Kauermann，使用MCMC和基于样条的方法的基于EM的平滑图估计。Soc.网络。68 (2022) 279-295. ·doi:10.1016/j.socnet.2021.08.007
[51] E.Tabrizi、E.B.Samani和M.Ganjali，关于混合纵向数据潜在变量模型可识别性的注释。统计概率。莱特。167 (2020) 108882. ·Zbl 1455.62102号 ·doi:10.1016/j.spl.2020.108882
[52] H.Teicher，有限混合物的可识别性。安。数学。《美国联邦法律大全》第34卷（1963年）第1265-1269页·Zbl 0137.12704号 ·doi:10.1214/aoms/1177703862
[53] T.Traynor，Hausdorff测度的变量变化（从一开始）。的里雅斯特大学。Matematiche 26补遗（1994）327-327·Zbl 0876.28010号
[54] A.W.van der Vaart，《渐近统计》，剑桥统计与概率数学系列，第1版。，剑桥大学出版社，剑桥（1998）·Zbl 0910.62001号
[55] J.Xu，图素估计谱方法的收敛速度，国际机器学习会议（2018）5433-5433·Zbl 07123442号
[56] S.J.Yakowitz和J.D.Spragins，关于有限混合物的可识别性。安。数学。《美国联邦法律大全》第39卷（1968年）第209-214页·Zbl 0155.25703号 ·doi:10.1214/网址/1177798520
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。