Information-geometry-driven graph sequential growth
信息几何驱动的高斯图模型序贯增长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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦高斯图模型的结构学习与边集推断，属于网络结构估计方向，故选择网络与干扰。
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…
信息几何驱动的高斯图模型序贯增长
- 研究问题
- 摘要研究如何在不使用正则化的情况下，通过信息几何驱动的序贯增长从空图出发进行高斯图模型推断，并刻画其增长过程的性质。
- 方法与思路
- 作者将图的增长与坐标下降过程相联系，刻画对应信息最优增长的全校正下降，并提出数值高效的近似策略。
- 材料陈述的贡献
- 摘要称所提方法无需调参、复杂度与坐标下降相近，能可靠提取稀疏图模型并限制误检数量，且激活秩可反映边集的信息相关性。
- 阅读关注点
- 阅读全文时应核对信息最优增长与全校正下降的对应关系、近似策略的具体形式与复杂度论证，以及稀疏恢复与误检控制的模拟或实证依据。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、模拟设计与实证数据；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We investigate the properties of a class of regularisation-free approaches for Gaussian graphical inference based on the information-geometry-driven sequential growth of initially edgeless graphs. Relating the growth of a graph to a coordinate descent process, we characterise the fully-corrective descents corresponding to information-optimal growths, and propose numerically efficient strategies for their approximation. We demonstrate the ability of the proposed procedures to reliably extract sparse graphical models while limiting the number of false detections, and illustrate how activation ranks can provide insight into the informational relevance of edge sets. The considered approaches are tuning-parameter-free and have complexities akin to coordinate descents.