The Isserlis matrix and its application to non-decomposable graphical Gaussian models
Isserlis 矩阵及其在不可分解高斯图模型中的应用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：摘要中的图表示高斯条件独立结构，未讨论经济网络或干扰效应，故不归入网络与干扰等现有细分。
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
Isserlis 矩阵及其在不可分解高斯图模型中的应用
- 研究问题
- 如何利用矩阵补全与 Isserlis 矩阵的结构，将可分解高斯图模型的渐近推断结果扩展到不可分解情形？
- 方法与思路
- 作者研究补全矩阵对应的 Isserlis 矩阵，以边集索引揭示结构对称性，并分析充分统计量的条件独立关系。
- 材料陈述的贡献
- 摘要称该结构可简化部分渐近结果的证明并扩展到不可分解模型，涉及估计方差、先验、贝叶斯因子和后验分布。
- 阅读关注点
- 应查阅原 PDF 核对缺失的矩阵符号，并检查补全定义、非弦图上的超马尔可夫扩展及各项渐近结果的条件。
- 阅读边界
- 所给 OpenAlex 摘要版本未注明且关键数学符号缺失，需查阅原 PDF；不能重构公式，也不能仅据摘要验证推导。
原文摘要
The operations of matrix completion and Isserlis matrix construction arise in the statistical analysis of graphical Gaussian models, in both the Bayesian and frequentist approaches. In this paper we study the properties of the Isserlis matrix of the completion, , of a positive definite matrix and propose an edge set indexing notation which highlights the symmetry existing between and its Isserlis matrix. In this way well-known properties of can be exploited to give an easy proof of certain asymptotic results for decomposable graphical Gaussian models, as well as to extend such results to the non-decomposable case. In particular we consider the asymptotic variance of maximum likelihood estimators, the non-informative Jeffreys prior, the Laplace approximation to the Bayes factor, the asymptotic distribution of the maximum likelihood estimators and the asymptotic posterior distribution of the parameters in a Bayesian conjugate analysis. In dealing with distributions over non-decomposable models an extension of the hyper-Markov property to models with non-chordal graphs is required. Our proposed extension is justified by an analysis of the conditional independence structure of the sufficient statistic.