The TM algorithm for maximising a conditional likelihood function
用于最大化条件似然函数的 TM 算法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：摘要介绍一般条件似然优化与统计图模型，不能据图结构直接归入经济网络与干扰。
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
用于最大化条件似然函数的 TM 算法
- 研究问题
- 当无条件似然比对应的条件似然更容易最大化时，如何借助前者构造迭代算法，并在指数族和图模型中实现？
- 方法与思路
- 作者提出交替执行倾斜似然计算的 T 步与最大化的 M 步，通过增广参数处理条件似然；指数族中计算形式接近 EM。
- 材料陈述的贡献
- 摘要称该算法适用于混合图链模型及其推广，并已在当时的 MIM 软件中实现；算法由原先的 ME 名称改称 TM。
- 阅读关注点
- 核对倾斜操作和参数增广的具体定义、每步优化与目标函数的关系，以及收敛保证、初始化和图模型适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明收敛速度或全局最优保证，历史软件实现信息也不能代表当前可用性。
原文摘要
This paper describes an algorithm for maximising a conditional likelihood function when the corresponding unconditional likelihood function is more easily maximised. The algorithm is similar to the EM algorithm but different as the parameters rather than the data are augmented and the conditional rather than the marginal likelihood function is maximised. In exponential families the algorithm takes a particular simple form which is computationally very close to the EM algorithm. The algorithm alternates between a T‐step which calculates a tilted version of the unconditional likelihood function and an M‐step which maximises it. The algorithm applies to mixed graphical chain models (Lauritzen & Wermuth, 1989) and their generalisations (Edwards, 1990), and was developed with these in mind, but it may have applications beyond these. The algorithm has been implemented in the most recent version of the MIM software (Edwards, 2000), where it was named the ME algorithm. The name has been changed to avoid confusion with the algorithm described by Marschner (2001).