On some algorithms for estimation in Gaussian graphical models
高斯图模型估计中的若干算法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：摘要讨论高斯条件依赖图的似然计算，未明确研究经济网络互动或干扰效应。
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
高斯图模型估计中的若干算法
- 研究问题
- 高斯图模型的似然方程通常需要迭代求解，如何减少大矩阵求逆，并确保快速协方差更新算法具有可收敛的初始值？
- 方法与思路
- 作者研究避免大矩阵求逆的迭代比例缩放，以及基于凸对偶的邻域坐标下降，并为低着色数图构造正定起始值。
- 材料陈述的贡献
- 摘要称比例缩放适合大规模稀疏图且收敛性质简单，坐标下降速度快但依赖正定起点，并简化特定图下极大似然存在性证明。
- 阅读关注点
- 应核对两种算法的更新与停止条件、正定起点构造对着色数的要求，以及速度比较和极大似然存在性结果的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确认坐标下降对任意起点或任意图均收敛；速度结论、样本条件与证明细节未提供。
原文摘要
Abstract In Gaussian graphical models, the likelihood equations must typically be solved iteratively. This paper investigates two algorithms: a version of iterative proportional scaling, which avoids inversion of large matrices, and an algorithm based on convex duality and operating on the covariance matrix by neighbourhood coordinate descent, which corresponds to the graphical lasso with zero penalty. For large, sparse graphs, the iterative proportional scaling algorithm appears feasible and has simple convergence properties. The algorithm based on neighbourhood coordinate descent is extremely fast and less dependent on sparsity, but needs a positive-definite starting value to converge. We provide an algorithm for finding such a starting value for graphs with low colouring number. As a consequence, we also obtain a simplified proof of existence of the maximum likelihood estimator in such cases.