×
佐齐，马蒂亚

AR图形模型中的经验贝叶斯学习。 （英语） Zbl 1496.62160号

Automatica公司 109，文章ID 108516，10 p.（2019）.
摘要：我们解决了学习对应于高维自回归平稳随机过程的图形模型的问题。图形模型描述了随机过程各组成部分之间的条件依赖关系，是许多领域的重要工具。我们提出了稀疏自回归图形模型和潜变量自回归图形模型的经验贝叶斯估计。数值实验表明，采用这种贝叶斯观点学习这些类型的图形模型是有益的。

引用于7文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62H22个 概率图形模型
62M15型 随机过程和谱分析的推断
68T05型 人工智能中的学习和自适应系统

关键词：

稀疏;低阶诱导先验;经验贝叶斯学习;凸松弛;凸优化
PDF格式BibTeX公司 XML格式引用
\textit{M.Zorzi}，Automatica 109，文章ID 108516，10 p.（2019年；Zbl 1496.62160）
全文： 内政部 arXiv公司

参考文献：

[1] Alpago，D。；Zorzi，M。；Ferrante，A.，稀疏互惠图形模型的识别，IEEE控制系统快报，2，4，659-664（2018）
[2] Asadi，N.、Rish，I.、Scheinberg，K.、Kanevsky，D.和Ramabhadran，B.（2009年）。稀疏高斯马尔可夫网络的MAP学习方法。在声学、语音和信号处理国际会议; Asadi，N.、Rish，I.、Scheinberg，K.、Kanevsky，D.和Ramabhadran，B.（2009年）。稀疏高斯马尔可夫网络的MAP学习方法。在声学、语音和信号处理国际会议
[3] Avventi，E。；Lindquist，A。；Wahlberg，B.，ARMA图形模型识别，电气与电子工程师协会。《自动控制交易》，58，5，1167-1178（2013）·Zbl 1369.93668号
[4] O.班纳吉。；El Ghaoui，L。；d'Aspremont，A.，多元高斯或二进制数据的稀疏最大似然估计模型选择，《机器学习研究杂志》，3月9日，485-516（2008）·兹比尔1225.68149
[5] Brillinger，D.，《关于时间序列和点过程图形模型的评论》，《计量经济学评论》，16，1-23（1996）
[6] 伯恩斯，C。；乔治奥，T。；Lindquist，A.，《谱估计的新方法：可调高分辨率谱估计器》，IEEE信号处理学报，48，11，3189-3205（2000）·Zbl 1040.93063号
[7] Candès，大肠杆菌。；Wakin，M。；Boyd，S.，通过重加权最小化增强稀疏性，傅里叶分析与应用杂志，14，5，877-905（2008）·Zbl 1176.94014号
[8] Chandrasekaran，V。；帕里罗，P。；Willsky，A.，通过凸优化选择潜在变量图形模型，《统计年鉴》，第40期，第4期，1935-2013年（2010年）·Zbl 1288.62085号
[9] Ciccone，V.、Ferrante，A.和Zorzi，M.（2018年）。“稀疏加低阶”图形模型的稳健识别：一种优化方法。在第57届IEEE决策与控制会议; Ciccone，V.、Ferrante，A.和Zorzi，M.（2018年）。“稀疏加低阶”图形模型的稳健识别：一种优化方法。在第57届IEEE决策与控制会议
[10] Dahlhaus，R.，多元时间序列的图形交互模型1，Metrika，51，2，157-172（2000）·Zbl 1093.62571号
[11] Fazel，M.、Hindi，H.和Boyd，S.P.（2003）。矩阵秩最小化的对数集启发式算法及其在Hankel和Euclidean距离矩阵中的应用。在美国控制会议，2003年。2003年会议记录：第3卷; Fazel，M.、Hindi，H.和Boyd，S.P.（2003）。矩阵秩最小化的对数集启发式算法及其在Hankel和Euclidean距离矩阵中的应用。在美国控制会议，2003年。2003年会议记录：第3卷
[12] 费兰特，A。；马西埃罗，C。；Pavon，M.，《时间和谱域相对熵：多元谱估计的新方法》，电气和电子工程师学会。《自动控制交易》，57，10，2561-2575（2012）·Zbl 1369.60024号
[13] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，《统计学习的要素：第1卷（2001年）》，纽约统计史普林格系列·Zbl 0973.62007号
[14] 卡尔森，J。；Georgiou，T.，频谱估计的不确定性界限，IEEE自动控制汇刊，58，7，1659-1673（2013）·兹比尔1369.62244
[15] Lauritzen，S.，《图形模型》（1996），牛津大学出版社：牛津大学出版社·Zbl 0907.62001
[16] Liégeois，R.、Mishra，B.、Zorzi，M.和Sepulchre，R.（2015）。神经成像时间序列中的稀疏加低阶自回归识别。在第54届IEEE决策与控制会议; Liégeois，R.、Mishra，B.、Zorzi，M.和Sepulchre，R.（2015）。神经成像时间序列中的稀疏加低秩自回归识别。在第54届IEEE决策与控制会议
[17] 马南，S。；Dumitrescu，B。；Giurcäneanu，C.，《凸优化多元自回归模型的条件独立图：高效算法》，《信号处理》，133122-134（2017）
[18] 马南，S。；Dumitrescu，B。；Giurcäneanu，C.，将潜在变量图形模型拟合到多元时间序列的最大熵期望最大化算法，熵，20，1（2018）
[19] 拉扎维亚因，M。；洪，M。；Luo，Z.-Q.，非光滑优化的块连续最小化方法的统一收敛性分析，SIAM优化期刊，23，21126-153（2013）·Zbl 1273.90123号
[20] Scheinberg，K。；里什，I。；Asadi，N.，《正则化参数先验的稀疏马尔可夫网学习》（ISAIM（2010））
[21] Songsiri，J。；Dahl，J。；Vandenberghe，L.，自回归过程的图形模型，（Palomar，D.；Eldar，Y.，《信号处理和通信中的凸优化》（2010），剑桥大学出版社：剑桥大学出版社），1-29
[22] Songsiri，J。；Vandenberghe，L.，自回归过程图形模型中的拓扑选择，机器学习研究杂志（JMLR），112671-2705（2010）·Zbl 1242.62104号
[23] Willsky，A.（2002）。信号和图像处理的多分辨率马尔可夫模型。在程序。IEEE：第90卷; Willsky，A.（2002）。信号和图像处理的多分辨率马尔可夫模型。在程序。IEEE：第90卷
[24] 维普夫·D。；Nagarajan，S.，《寻找稀疏解的迭代重加权（\ell_1）和（\ell_2）方法》，《信号处理选定主题期刊》，4，2，317-329（2010）
[25] Zhou，Z。；莱希，R。；Qi，J.，Gibbs先验函数的近似最大似然超参数估计，IEEE图像处理汇刊，6，6，844-861（1997）
[26] Zorzi，M.，高分辨率多元谱估计器的新家族，IEEE自动控制学报，59，4，892-904（2014）·Zbl 1360.62467号
[27] Zorzi，M.，基于阿尔法散度的光谱密度有理近似，控制、信号和系统数学，26，259-278（2014）·兹比尔1290.93172
[28] Zorzi，M.，《三类方法对偶问题的解释》，Automatica，62，12，87-92（2015）·Zbl 1329.93132号
[29] Zorzi，M.，基于最优预测概念的多元谱估计，IEEE自动控制汇刊，60，6，1647-1652（2015）·Zbl 1360.62285号
[30] Zorzi，M。；Sepulchre，R.，潜在变量图形模型的AR识别，IEEE自动控制汇刊，61，9，2327-2340（2016）·Zbl 1359.93508号
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。