Gaussian Markov Distributions over Finite Graphs
有限图上的高斯马尔可夫分布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变量的条件独立结构，未涉及经济网络、主体互动或干扰，故不归入网络与干扰。
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…
关注这篇论文的作者
有限图上的高斯马尔可夫分布
- 研究问题
- 高斯分布协方差逆矩阵的零元素如何表达条件独立关系，如何求解给定边际分布及协方差选择模型的相关计算问题？
- 方法与思路
- 作者描述零元素模式对应的条件独立性，提出两个循环算法，分别扩展协方差选择算法和类比列联表的迭代比例缩放。
- 材料陈述的贡献
- 摘要称，论文为上述相关计算问题提供两个循环算法，并使用 I-divergence 的概念给出这些算法的收敛证明。
- 阅读关注点
- 应核对零元素与条件独立的对应条件、边际约束是否相容、算法的更新步骤，以及收敛证明保证的目标和解的性质。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法细节、收敛条件、速度及计算比较未说明，图结构不能直接解释为经济主体网络。
原文摘要
Gaussian Markov distributions are characterised by zeros in the inverse of their covariance matrix and we describe the conditional independencies which follow from a given pattern of zeros. Describing Gaussian distributions with given marginals and solving the likelihood equations with covariance selection models both lead to a problem for which we present two cyclic algorithms. The first generalises a published algorithm for covariance selection whilst the second is analogous to the iterative proportional scaling of contingency tables. A convergence proof is given for these algorithms and this uses the notion of $I$-divergence.