Gemini: Graph estimation with matrix variate normal instances
Gemini：基于矩阵正态观测的图结构估计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：摘要研究矩阵分布的统计图结构，未涉及经济网络、干扰或其他所列细分领域。
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
Gemini：基于矩阵正态观测的图结构估计
- 研究问题
- 在矩阵正态数据中，如何估计行、列协方差及精度矩阵，并在只有一个随机矩阵观测时恢复相应的无向图结构？
- 方法与思路
- 作者提出分别估计行、列图结构及相关矩阵的方法，在稀疏条件下分析单矩阵情形，并将方法调整至具有重复观测的情形。
- 材料陈述的贡献
- 摘要称方法具有一致性，并给出算子范数与 Frobenius 范数下的收敛率；重复观测可支持更复杂的图结构及更快收敛。
- 阅读关注点
- 核对单矩阵恢复所需的稀疏性、维度关系和参数约束，以及图恢复的具体含义、重复观测条件和模拟中的评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体恢复条件和收敛率表达式未提供，不能据此推断后续刊本变化。
原文摘要
Undirected graphs can be used to describe matrix variate distributions. In this paper, we develop new methods for estimating the graphical structures and underlying parameters, namely, the row and column covariance and inverse covariance matrices from the matrix variate data. Under sparsity conditions, we show that one is able to recover the graphs and covariance matrices with a single random matrix from the matrix variate normal distribution. Our method extends, with suitable adaptation, to the general setting where replicates are available. We establish consistency and obtain the rates of convergence in the operator and the Frobenius norm. We show that having replicates will allow one to estimate more complicated graphical structures and achieve faster rates of convergence. We provide simulation evidence showing that we can recover graphical structures as well as estimating the precision matrices, as predicted by theory.