Sparse Matrix Graphical Models
稀疏矩阵图模型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：图模型描述统计条件独立关系，摘要未涉及经济网络、主体互动或干扰效应，因而不归入网络与干扰。
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
稀疏矩阵图模型
- 研究问题
- 对于具有行列结构的矩阵型观测，如何更简约地刻画条件独立关系，并改善直接向量化建模带来的估计负担？
- 方法与思路
- 作者分别对行与列对应的两个精度矩阵施加惩罚，构造稀疏矩阵图模型，并分析惩罚似然估计的渐近收敛性质。
- 材料陈述的贡献
- 摘要称该模型比传统向量型图模型更简约、易解释，估计收敛速度更好，并以模拟和多个实际数据集展示有限样本表现。
- 阅读关注点
- 核对行列精度矩阵的模型关系、可识别性与稀疏条件，检查收敛速度比较是否使用相同结构假设及有限样本评价标准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；矩阵分布假设、具体速度和比较条件未提供，不能认定其对任意矩阵数据均占优。
原文摘要
Matrix-variate observations are frequently encountered in many contemporary statistical problems due to a rising need to organize and analyze data with structured information. In this article, we propose a novel sparse matrix graphical model for these types of statistical problems. By penalizing, respectively, two precision matrices corresponding to the rows and columns, our method yields a sparse matrix graphical model that synthetically characterizes the underlying conditional independence structure. Our model is more parsimonious and is practically more interpretable than the conventional sparse vector-variate graphical models. Asymptotic analysis shows that our penalized likelihood estimates enjoy better convergent rates than that of the vector-variate graphical model. The finite sample performance of the proposed method is illustrated via extensive simulation studies and several real datasets analysis.