巨大的

R中高维无向图估计的巨大软件包。我们描述了一个R包,它为从数据中估计高维无向图提供了易于使用的函数。该包实现了文献中的最新结果,包括Friedman et al.(2007)、Liu et al.(2009、2012)和Liu et al.(2010)。与现有的图估计软件包glasso相比,这个巨大的软件包具有以下特点:(1)它不是用Fortan语言编写的,而是用C语言编写的,这使得代码更易于移植和修改;(2)除了拟合高斯图形模型外,它还提供了拟合高维半参数高斯copula模型的功能;(3)更多的功能,如依赖数据的模型选择、数据生成和图形可视化;(4)纠正了图形化lasso算法的一个小的收敛问题;(5)该软件包允许用户同时应用无损和有损筛选规则来放大大规模问题,在计算效率和统计效率之间进行权衡。


zbMATH中的参考文献(参考 36篇文章 36篇,1标准件)

显示第36至第20个结果。
按年份排序(引用)
  1. Auguliaro,Luigi;Sottile,Gianluca;Vinciotti,Veronica:条件截尾图形Lasso估计器(2020)
  2. Boudt,Kris;Rousseeuw,Peter J.;Vanduffel,Steven;Verdonck,Tim:最小正则化协方差行列式估计量(2020)
  3. 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
  4. Li,Tianxi;Qian,Cheng;Levina,Elizaveta;Zhu,Ji:网络连接数据的高维高斯图形模型(2020)
  5. Abbruzzo,Antonino;Vujačić,Ivan;Mineo,Angelo M.;Wit,Ernst C.:在惩罚高斯图形模型中选择调谐参数(2019年)
  6. Julien Chiquet,Pierre Barbillon,Timothée Tabouy:missSBM:用于处理随机块模型中缺失值的R包(2019)第十四章
  7. Margaret Roberts;Brandon Stewart;Dustin Tingley:stm:结构主题模型的R包(2019)不是zbMATH
  8. Müller,Dominik;Czado,Claudia:vine copulas和图形套索的超高维相关性建模(2019)
  9. Sanguinetti,Guido(编辑);Huynh Thu,V–n Anh(编辑):基因调控网络。方法和方案(2019年)
  10. David Sinclair;Hooker,Giles:Poisson对数正态图模型中高通量microRNA测序数据的稀疏逆协方差估计(2019年)
  11. Ayyıldız,Ezgi;Purutçuoijlu,Vilda;Weber,Gerhard Wilhelm:基于环的二次曲线多元自适应回归样条线是复杂生物网络高级构造的一种新方法(2018)
  12. Devijver,Emilie;Gallopin,Mélina:高维高斯图形模型的块对角协方差选择(2018)
  13. Hernández,Belinda;Raftery,Adrian E.;Pennington,Stephen R.;Parnell,Andrew C.:使用贝叶斯模型平均的贝叶斯加性回归树(2018)
  14. Li,Xingguo;Zhao,Tuo;Arora,Raman;Liu,Han;Hong,Mingyi:关于强凸极小化循环块坐标下降型方法的更快收敛性(2018)
  15. Loh,Po Ling;Tan,Xin Lu:高维鲁棒精确矩阵估计:污染下的细胞腐败(2018)
  16. Nandy,Preetam;Hauser,Alain;Maathuis,Marloes H.:基于分数和混合结构学习的高维度一致性(2018)
  17. Popovic,Gordana C.;Hui,Francis K.C.;Warton,David I.:离散数据协方差建模的通用算法(2018)
  18. 赵拓;刘,韩;张彤:稀疏学习的路径坐标优化:算法与理论(2018)
  19. Liu,Han;Wang,Lie:TIGER:优化估计高斯图形模型的调谐不敏感方法(2017)
  20. Bar Hen,Avner;Poggi,Jean-Michel:图形模型的影响度量和稳定性(2016)