Estimation of multiple precision matrices under shared support with heterogeneous edge strengths
共享支撑、异质边强度下的多精度矩阵估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦高维精度矩阵估计与图模型方法，属于统计方法类工作，未直接对应所给微观、宏观或金融领域细分，故不选择。
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…
共享支撑、异质边强度下的多精度矩阵估计
- 研究问题
- 摘要称，研究问题是在高维情形下联合估计多个精度矩阵：不同数据集共享同一条件依赖结构，但各总体的交互强度不同，如何同时刻画共同图结构与总体特异差异。
- 方法与思路
- 作者提出 Multiplicative Graphical Lasso（Mglasso），将每个精度矩阵分解为共享结构矩阵 Θ 与总体特异矩阵 Γ_l 的 Schur-Hadamard 乘积，并优化带 ℓ1 惩罚与 Frobenius 范数惩罚的惩罚对数似然，用 ADMM 结合梯度下降求解。
- 材料陈述的贡献
- 摘要称其贡献包括：给出目标函数的局部严格凸性，提供包括上确界范数误差界与精确支撑恢复在内的高维一致性保证（在次高斯尾条件下），并在模拟中于较小样本量下相较 Group Graphical Lasso 表现出更好的模型选择一致性，另通过实际应用验证实用性。
- 阅读关注点
- 应核对共享支撑假设与 Schur-Hadamard 分解的识别条件、次高斯尾条件的具体形式、局部严格凸性成立的范围、ADMM 的收敛与调参方式，以及模拟中样本量、维度和对比基准的设置是否支持所声称的优势。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、数值结果的可复现性、真实数据应用的具体来源与结论，也不能据此认定该方法普遍优于其他方法；摘要未说明真实数据细节与计算复杂度。
原文摘要
Estimating multiple precision matrices in high-dimension presents significant challenges, particularly when distinct datasets share a common conditional dependency structure but exhibit population-specific interaction strengths. We address this problem by introducing the Multiplicative Graphical Lasso (Mglasso), a method for jointly estimating precision matrices across multiple Gaussian graphical models under a shared sparsity constraint. Each precision matrix is decomposed as a Schur-Hadamard product of a shared structural matrix $\boldsymbolΘ$, which encodes the common conditional independence graph, and a population-specific matrix $\boldsymbolΓ_{l}$, which captures variation in edge strengths across populations. We optimize a penalized log-likelihood that utilizes an $\ell_1$-penalty to enforce common sparsity and a Frobenius norm penalty to regulate population-specific variations. The optimization is efficiently performed using the Alternating Direction Method of Multipliers (ADMM) algorithm integrated with gradient descent. Theoretically, we establish the local strict convexity of the objective function and provide rigorous high-dimensional consistency guarantees, including supremum norm error bounds and exact support recovery under sub-Gaussian tail conditions. Extensive simulations show superior model selection consistency at smaller sample sizes compared to the benchmark Group Graphical Lasso (GGL). Finally, the method's practical utility is further validated through real-world applications.