Identifiability and Consistent Estimation for Gaussian Chain Graph Models
高斯链图模型的可识别性与一致估计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：摘要明确将有向边解释为因果关系，并研究其可识别性与结构恢复，提供了因果推断方向的直接文本依据。
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
高斯链图模型的可识别性与一致估计
- 研究问题
- 同时包含无向条件依赖和有向因果关系的高斯链图中，如何区分两类边，建立可识别性并一致恢复完整图结构？
- 方法与思路
- 作者利用精度矩阵的低秩加稀疏分解建立可识别条件，在此基础上设计结构学习算法，并进行理论分析、模拟及标普500数据应用。
- 材料陈述的贡献
- 预印本摘要称，文章提出新的可识别条件和学习算法，并证明精确恢复链图结构的渐近一致性，数值实验支持方法表现。
- 阅读关注点
- 应核对低秩与稀疏部分可分离的条件、有向边的因果解释依据，以及精确结构恢复的样本要求、算法细节和金融应用设定。
- 阅读边界
- 依据 arXiv 2303.01031v5 预印本摘要，不能据此声称已经同行评审或期刊接收，也不推断刊本变化；具体识别条件与数值结果未提供。
原文摘要
The chain graph model admits both undirected and directed edges in one graph, where symmetric conditional dependencies are encoded via undirected edges and asymmetric causal relations are encoded via directed edges. Though frequently encountered in practice, the chain graph model has been largely under investigated in literature, possibly due to the lack of identifiability conditions between undirected and directed edges. In this paper, we first establish a set of novel identifiability conditions for the Gaussian chain graph model, exploiting a low rank plus sparse decomposition of the precision matrix. Further, an efficient learning algorithm is built upon the identifiability conditions to fully recover the chain graph structure. Theoretical analysis on the proposed method is conducted, assuring its asymptotic consistency in recovering the exact chain graph structure. The advantage of the proposed method is also supported by numerical experiments on both simulated examples and a real application on the Standard & Poor 500 index data.