Change Point Estimation in High Dimensional Markov Random-Field Models
高维马尔可夫随机场模型的变点估计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：摘要明确研究动态网络结构，并以马尔可夫随机场中的潜在边与稀疏性构造估计方法。
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…
高维马尔可夫随机场模型的变点估计
- 研究问题
- 当动态网络的潜在边数远大于样本量时，如何在高维马尔可夫随机场模型中估计网络结构的变化时点？
- 方法与思路
- 作者在稀疏性假设下最大化剖面惩罚伪似然，构造变点估计量，并通过合成数据及美国参议院投票数据评估。
- 材料陈述的贡献
- 摘要称推导了除对数因子外较紧的估计误差界，允许潜在边数超过样本量，并展示了网络变化的实际应用。
- 阅读关注点
- 应核对稀疏性、变化幅度与变点位置条件，误差界的具体含义，以及投票网络如何定义和惩罚参数如何选择。
- 阅读边界
- 仅依据所给 Crossref 摘要；误差界的具体形式及所需条件未列出，参议院应用的变点结果和解释也未说明。
原文摘要
Summary The paper investigates a change point estimation problem in the context of high dimensional Markov random-field models. Change points represent a key feature in many dynamically evolving network structures. The change point estimate is obtained by maximizing a profile penalized pseudolikelihood function under a sparsity assumption. We also derive a tight bound for the estimate, up to a logarithmic factor, even in settings where the number of possible edges in the network far exceeds the sample size. The performance of the estimator proposed is evaluated on synthetic data sets and is also used to explore voting patterns in the US Senate in the 1979–2012 period.