Simulation of hyper-inverse Wishart distributions in graphical models
图模型中超逆 Wishart 分布的模拟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：核心是一般图模型的分布模拟；金融协方差示例不足以明确归入所列金融细分方向。
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
图模型中超逆 Wishart 分布的模拟
- 研究问题
- 如何在可分解与不可分解图模型中直接生成超逆 Wishart 分布样本，并处理结构化协方差推断中的计算需求？
- 方法与思路
- 作者结合图的标准连接树表示与逆 Wishart 分布的矩阵结果，建立直接抽样的理论和算法，并研究高维扩展。
- 材料陈述的贡献
- 摘要称提出高效的直接模拟方法，覆盖两类图模型，并以金融时间序列示例说明结构化协方差推断中的用途。
- 阅读关注点
- 应核对两类图模型的算法差异、直接抽样的准确性条件、维度增长时的成本，以及与图结构不确定性下 MCMC 的衔接。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效率指标、高维可扩展范围及金融示例结果未说明，不能推断刊本变化。
原文摘要
We introduce and exemplify an efficient method for direct sampling from hyper-inverse Wishart distributions. The method relies very naturally on the use of standard junction-tree representation of graphs, and couples these with matrix results for inverse Wishart distributions. We describe the theory and resulting computational algorithms for both decomposable and nondecomposable graphical models. An example drawn from financial time series demonstrates application in a context where inferences on a structured covariance model are required. We discuss and investigate questions of scalability of the simulation methods to higher-dimensional distributions. The paper concludes with general comments about the approach, including its use in connection with existing Markov chain Monte Carlo methods that deal with uncertainty about the graphical model structure.