Simultaneous supervised clustering and feature selection over a graph
给定图上的同时监督聚类与特征选择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：摘要中的图用于基因预测变量的分组约束，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
给定图上的同时监督聚类与特征选择
- 研究问题
- 当预测变量对应给定无向图的节点时，如何同时识别有信息的变量与系数相同的变量群组，以获得简约且有预测力的回归模型？
- 方法与思路
- 作者利用图中的先验连接关系识别并合并同质回归系数群组，计算算法结合增广拉格朗日乘子、坐标下降和差分凸方法。
- 材料陈述的贡献
- 摘要称证明了真实群组和有效特征识别的一致性，并获得准确参数估计；基因网络实例展示了利用依赖结构的作用。
- 阅读关注点
- 应核对图连接对候选分组施加的限制、同质群组和特征选择的理论条件，以及算法收敛结论与统计一致性的关系。
- 阅读边界
- 仅据版本未注明的索引摘要，未给出一致性假设、误差界或计算保证；基因图的分组作用不能直接解释为经济网络干扰。
原文摘要
In this article, we propose a regression method for simultaneous supervised clustering and feature selection over a given undirected graph, where homogeneous groups or clusters are estimated as well as informative predictors, with each predictor corresponding to one node in the graph and a connecting path indicating a priori possible grouping among the corresponding predictors. The method seeks a parsimonious model with high predictive power through identifying and collapsing homogeneous groups of regression coefficients. To address computational challenges, we present an efficient algorithm integrating the augmented Lagrange multipliers, coordinate descent and difference convex methods. We prove that the proposed method not only identifies the true homogeneous groups and informative features consistently but also leads to accurate parameter estimation. A gene network dataset is analysed to demonstrate that the method can make a difference by exploring dependency structures among the genes.