格拉索

图形套索:新的见解和选择。正则化[920]中的正则化矩阵[920]是正则化矩阵[920-1]的一个正则化算法。R包glasso[5]很流行,速度很快,可以有效地为调整参数的不同值建立模型路径。glasso的收敛可能很棘手;收敛的精度矩阵可能不是估计协方差的倒数,有时它在暖启动时无法收敛。在本文中,我们解释了这种行为,并提出了新的算法,似乎比glasso表现得更好。通过研究“正规方程组”,我们可以看到,glasso正在通过块坐标上升来求解图形化的lasso惩罚可能性的对偶问题;这个结果也可以在[2]中找到。在这种对偶中,估计的目标是∑,即协方差矩阵,而不是精度矩阵Θ。我们提出了类似的原始算法p-glasso和dp-glasso,它们也通过块坐标下降来操作,其中Θ是优化目标。我们研究所有这些算法,特别是解决其坐标子问题的不同方法。我们得出结论,dp-glasso从几个方面都优于dp-glasso。


参考文献,1标准件)

显示结果1到20,共369个。
按年份排序(引用)

1 2 ... 17 18 19 下一个

  1. Kausian-Kenrade,2020年稳健的高斯模型;Takekando,Gaussian-Kakida模型;2020年稳健的Gaussian模型
  2. An,Ziwen;Nott,David J.;Drovandi,Christopher:通过半参数方法的鲁棒贝叶斯合成似然(2020)
  3. Rina Foygel的Barber;Emmanuel J.的Candès;Richard J.的Samworth.:仿制品的鲁棒推理(2020年)
  4. 卞玲斌;崔天刚;索夫罗诺夫,乔治;基思,乔纳森:基于后验预测差异的网络结构变化点检测(2020)
  5. Boudt,Kris;Rousseeuw,Peter J.;Vanduffel,Steven;Verdonck,Tim:最小正则化协方差行列式估计量(2020)
  6. 陈景南;戴根玲;张宁:稀疏群套索正则化在股票投资组合优化和行业选择中的应用(2020)
  7. 陈泽华;江义伟:稀疏高维多元回归模型的两阶段序贯条件选择方法(2020)
  8. Córdoba,Irene;Bielza,Concha;Larrañaga,Pedro:条件独立性的高斯-马尔可夫模型综述(2020)
  9. 方,钱;于,陈;魏平,张:高维多元纵向数据精度矩阵的正则化估计(2020)
  10. 范建青;冯,杨;夏,露西:基于投影的条件相关测度及其在高维无向图模型中的应用(2020)
  11. Farnè,Matteo;Montanari,Angela:中等尖峰状态下的大协方差矩阵估计量(2020)
  12. Fontanella,Lara;Fontanella,Sara;Ignacolo,Rosaria;Ippoliti,Luigi;Valentini,Pasquale:功能数据的G-Lasso网络分析(2020年)
  13. Giordano,Francesco;Lahiri,Soumendra Nath;Parrella,Maria Lucia:高维非参数回归的变量选择和结构发现方法(2020)
  14. 黄益民;孔祥顺;艾明耀:稀疏线性模型的最优设计(2020)
  15. Jonas M.B.Haslbeck,Lourens J.Waldorp:mgm:在高维数据中估计时变混合图形模型(2020)不是zbMATH
  16. 康晓宁;邓新伟:一种改进的修正Cholesky分解精确矩阵估计方法(2020)
  17. Lila,Eardi;Arridge,Simon;Aston,John A.D.:线性反问题中协方差算子的表示与重构(2020)
  18. 刘金;马英英;王汉生:协方差回归分析的半参数模型(2020)
  19. McGillivray,Annaliza;Khalili,Abbas;Stephens,David A.:估计具有集线器的稀疏网络(2020年)
  20. 村上大辅;格里菲斯,丹尼尔A.:大空间数据的无记忆空间加性混合建模(2020)

1 2 ... 17 18 19 下一个