Penalized likelihood methods for estimation of sparse high-dimensional directed acyclic graphs
稀疏高维有向无环图估计的惩罚似然方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究有向网络的邻接矩阵与边选择，对应网络结构方法，但未研究干扰效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
稀疏高维有向无环图估计的惩罚似然方法
- 研究问题
- 当变量具有自然排序时，如何从观测数据估计稀疏高维有向无环图的邻接结构，并判断不同惩罚能否一致选择真实边？
- 方法与思路
- 作者利用变量的自然排序简化图结构估计，提出惩罚似然方法，研究 lasso 与自适应 lasso，并以误差为依据选择调节参数。
- 材料陈述的贡献
- 摘要称，lasso 的变量选择一致性需要较严格条件，而自适应 lasso 在通常正则条件下可以一致估计真实图结构。
- 阅读关注点
- 应核对自然排序如何获得、图结构可识别性的条件、高维稀疏程度限制，以及两类惩罚一致性条件和调参规则的具体形式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出正则条件；结构恢复也不能直接解释为已识别干预效应，不能推断刊本变化。
原文摘要
Directed acyclic graphs are commonly used to represent causal relationships among random variables in graphical models. Applications of these models arise in the study of physical and biological systems where directed edges between nodes represent the influence of components of the system on each other. Estimation of directed graphs from observational data is computationally NP-hard. In addition, directed graphs with the same structure may be indistinguishable based on observations alone. When the nodes exhibit a natural ordering, the problem of estimating directed graphs reduces to the problem of estimating the structure of the network. In this paper, we propose an efficient penalized likelihood method for estimation of the adjacency matrix of directed acyclic graphs, when variables inherit a natural ordering. We study variable selection consistency of lasso and adaptive lasso penalties in high-dimensional sparse settings, and propose an error-based choice for selecting the tuning parameter. We show that although the lasso is only variable selection consistent under stringent conditions, the adaptive lasso can consistently estimate the true graph under the usual regularity assumptions.