Locally associated graphical models and mixed convex exponential families
局部关联图模型与混合凸指数族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：摘要主要研究统计图模型与基因表达，未涉及经济网络干扰或具体金融计量问题，故不作细分。
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
局部关联图模型与混合凸指数族
- 研究问题
- 当多元全正性限制过强时，如何在图模型的高度连接部分施加局部正关联，并构造具有可分析性质的估计与优化方法？
- 方法与思路
- 作者提出局部关联和混合凸指数族，研究混合对偶似然估计，以负偏相关惩罚放宽限制，并开发块坐标下降 GOLAZO 算法。
- 材料陈述的贡献
- 摘要称建立估计量的精确及渐近性质，提出正向图形 lasso 与通用优化算法，并给出相关优化问题最优解存在性的结果。
- 阅读关注点
- 应核对局部关联的定义、混合凸结构、估计量性质所需条件，以及惩罚方案、算法收敛和最优解存在性的区别。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未列出定理条件或应用结果，提及金融背景不足以支持具体金融计量分类。
原文摘要
The notion of multivariate total positivity has proved to be useful in finance and psychology but may be too restrictive in other applications. In this paper, we propose a concept of local association, where highly connected components in a graphical model are positively associated and study its properties. Our main motivation comes from gene expression data, where graphical models have become a popular exploratory tool. The models are instances of what we term mixed convex exponential families and we show that a mixed dual likelihood estimator has simple exact properties for such families as well as asymptotic properties similar to the maximum likelihood estimator. We further relax the positivity assumption by penalizing negative partial correlations in what we term the positive graphical lasso. Finally, we develop a GOLAZO algorithm based on block-coordinate descent that applies to a number of optimization procedures that arise in the context of graphical models, including the estimation problems described above. We derive results on existence of the optimum for such problems.