A copula graphical model for multi-attribute data using optimal transport
利用最优传输构建多属性数据的Copula图模型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：摘要研究向量节点的通用条件独立图模型，未提供经济网络互动、干扰或金融应用的直接依据。
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
利用最优传输构建多属性数据的Copula图模型
- 研究问题
- 当图模型节点包含多维属性且不服从高斯分布时，如何刻画节点间条件独立结构，并缓解高维节点属性带来的估计困难？
- 方法与思路
- 作者提出循环单调Copula，以最优传输将节点向量的多元边际变换为高斯分布，结合组图Lasso，并引入投影模型处理高维属性。
- 材料陈述的贡献
- 摘要称，该模型支持任意连续节点向量分布，给出协方差估计集中不等式及组图Lasso选择一致性的充分条件，并提供数值实验。
- 阅读关注点
- 应核对最优传输映射的估计、条件独立结构的表达、选择一致性的充分条件，以及投影模型如何影响可恢复的信息与维度限制。
- 阅读边界
- 仅依据所给Crossref在线优先摘要；任意连续边际的建模能力不等于无条件估计保证，理论条件、实验数值及后续刊本变化未说明。
原文摘要
Abstract Motivated by modern data types such as images and multi-view data, the multi-attribute graphical model aims to uncover conditional independence structures among vector-valued nodes. Under the Gaussian assumption, such independence is encoded in blockwise zeros of the precision matrix. To relax the restrictive Gaussian assumption, we propose a semiparametric multi-attribute graphical model leveraging a newly introduced cyclically monotone copula. This copula treats the distribution of node vectors as multivariate marginals and transforms them into Gaussian distributions using optimal transport. Since our approach supports arbitrary continuous distributions over node vectors, it is significantly more flexible than existing copula Gaussian graphical models that only perform coordinatewise Gaussianization. We establish concentration inequalities for the estimated covariance matrices and provide sufficient conditions for the selection consistency of the group graphical lasso estimator. To address the curse of dimensionality when handling high-dimensional attributes, we further introduce a projected cyclically monotone copula model. Numerical experiments on both synthetic and real-world datasets demonstrate the effectiveness and flexibility of our methods.