格拉索

图形套索:新的见解和选择。图解LasSO(5)是一种在无向高斯图形模型中学习结构的算法,利用1正则化来控制精度矩阵(=)1(2, 11)中的零点个数。R包GLASO(5)是流行的,快速的,并且允许一个有效地为调谐参数的不同值建立模型的路径。GLASO的收敛可能是棘手的;收敛的精度矩阵可能不是估计协方差的逆,并且偶尔它不能与暖启动收敛。在本文中,我们解释这种行为,并提出新的算法似乎优于GLASSO。通过研究“正规方程组”,我们发现,glasso通过块坐标提升求解图形套索惩罚似然的对偶;也可在[2 ]中找到结果。在这种对偶中,估计的目标是协方差矩阵,而不是精确矩阵。我们提出了类似的原始算法P- GLASSO和DP GLASSO,也通过块坐标下降操作,其中γ是优化目标。我们研究所有这些算法,特别是不同的方法来解决它们的坐标子问题。我们的结论是DP GLASO从多个角度来看是优越的。


ZBMaX中的参考文献(324篇)1标准条款

显示结果1至20的324。
按年份排序(引文
  1. 安德拉德,丹尼尔;Takeda,菊地晶子;FukimZu,Kenji:用高斯图形模型进行变量聚类的稳健贝叶斯模型选择(2020)
  2. Ziwen,诺特,David J.;Dulvdii,克里斯托弗:一个半参数方法的稳健贝叶斯合成似然(2020)
  3. Boudt,克里斯;Rousseeuw,Peter J.;Vanduffel,史提芬;Vordunk,提姆:最小正则协方差行列式估计器(2020)
  4. 陈,Jingnan;戴,耿岭;张,宁:稀疏集团LasSO正则化在股票组合优化和部门选择中的应用(2020)
  5. 陈,泽华;江,Yiwei:稀疏高维多元回归模型的两阶段序贯条件选择方法(2020)
  6. C·Rordaba,艾琳;Bielz,孔查;Larra·N.AGA,佩德罗:条件独立Gaussian Markov模型的回顾(2020)
  7. Fang,Qian;于,陈;Weiping,张:高维多元纵向数据精确矩阵的正则化估计(2020)
  8. Matteo,Mhantali,安吉拉:中间尖峰体制下的大协方差矩阵估计器(2020)
  9. 黄,伊敏;Kong,Xiangshun;Ai,明姚:稀疏线性模型的最优设计(2020)
  10. Nystrup,彼得;Lindstr,埃里克;Pinson,彼埃尔;马德森,亨利克:负荷预测的自相关时间序列(2020)
  11. 余庆、麦、青:差分网络分析的有效计算及其在二次判别分析中的应用(2020)
  12. 本杰明:自适应稀疏群LASSO(2020)的渐近理论
  13. Talukdar,索拉夫;代卡,Deepjyoti;多迪,哈里斯;Materassi,多纳泰罗;Chertkov,米迦勒;Salapaka,Murti V.:线性动态系统网络中的物理知情拓扑学习(2020)
  14. Abbruzzo,安东尼诺;伊凡,Mineo,Angelo M.;机智,Ernst C.:惩罚高斯图形模型中的调谐参数选择(2019)
  15. Audouze,克里斯多夫;NAIR,Prasanth B.:用于数据学习的稀疏低秩分离表示模型(2019)
  16. Banerjee,Sayantan;Akbani,里恩;Baladandayuthapani,VEEABABADRAN:稀疏图结构学习的谱聚类及其在癌症蛋白质组信号网络中的应用(2019)
  17. 巴希尔,阿米尔;卡瓦略,Carlos M.;哈恩,P. Richard;琼斯,M. Beatrix:后处理在精确矩阵上产生稀疏图估计的后验(2019)
  18. Belomestny,丹尼斯;TRABS,马蒂亚斯;Tsybakov,Alexandre B.:高维反卷积中的稀疏协方差矩阵估计(2019)
  19. Bhadra,安迪亚;Datta,Jyotishka;Polson,Nicholas G.;威拉德,布兰登:套索遇见马蹄铁:一项调查(2019)
  20. Bien,雅各伯:协方差矩阵的图引导带状(2019)