A proximal distance algorithm for likelihood-based sparse covariance estimation
基于似然的稀疏协方差估计：近端距离算法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：摘要核心是通用稀疏协方差估计，细胞信号依赖网络的应用不足以确定其属于微观网络或金融方向。
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
基于似然的稀疏协方差估计：近端距离算法
- 研究问题
- 在协方差矩阵具有无预设模式的稀疏性、参数数目可能超过样本数时，如何兼顾似然估计、正定性和可行计算？
- 方法与思路
- 作者以协方差估计到对称稀疏集合的距离进行正则化，利用近端距离形式的主化最小化，将非凸优化化为平滑无约束子问题。
- 材料陈述的贡献
- 摘要称，所提方法避免常见范数惩罚引起的收缩，产生正定解并具有有利收敛性质；模拟和两类真实数据展示其表现。
- 阅读关注点
- 应核对稀疏集合及距离的定义、正定性维持机制、调节参数选择，以及算法收敛保证与全局最优性之间的区别。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整收敛条件或比较指标，非凸算法的收敛不自动意味着全局最优或统计一致。
原文摘要
Summary This paper addresses the task of estimating a covariance matrix under a patternless sparsity assumption. In contrast to existing approaches based on thresholding or shrinkage penalties, we propose a likelihood-based method that regularizes the distance from the covariance estimate to a symmetric sparsity set. This formulation avoids unwanted shrinkage induced by more common norm penalties, and enables optimization of the resulting nonconvex objective by solving a sequence of smooth, unconstrained subproblems. These subproblems are generated and solved via the proximal distance version of the majorization-minimization principle. The resulting algorithm executes rapidly, gracefully handles settings where the number of parameters exceeds the number of cases, yields a positive-definite solution, and enjoys desirable convergence properties. Empirically, we demonstrate that our approach outperforms competing methods across several metrics, for a suite of simulated experiments. Its merits are illustrated on international migration data and a case study on flow cytometry. Our findings suggest that the marginal and conditional dependency networks for the cell signalling data are more similar than previously concluded.