Graph estimation with joint additive models
基于联合加性模型的图估计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。
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：摘要研究统计条件独立图，未直接讨论经济网络干扰或因果效应识别。
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
基于联合加性模型的图估计
- 研究问题
- 当变量之间存在非线性关系，导致高斯或线性条件均值假设不合适时，如何估计高维条件独立图？
- 方法与思路
- 作者提出允许条件均值具有任意加性形式的半参数图估计方法，提供计算算法，并扩展到因果顺序已知的有向图。
- 材料陈述的贡献
- 摘要称，论文证明估计一致性，模拟中非线性情形优于所比较方法、线性情形表现相当，并展示细胞信号数据应用。
- 阅读关注点
- 应核对条件均值结构如何支持条件独立判断、一致性的条件，以及有向图扩展如何使用已知顺序和处理额外限制。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未给出一致性条件，已知因果顺序下估图也不足以直接确认因果效应识别。
原文摘要
In recent years, there has been considerable interest in estimating conditional independence graphs in high dimensions. Most previous work has assumed that the variables are multivariate Gaussian, or that the conditional means of the variables are linear; in fact, these two assumptions are nearly equivalent. Unfortunately, if these assumptions are violated, the resulting conditional independence estimates can be inaccurate. We propose a semi-parametric method, graph estimation with joint additive models, which allows the conditional means of the features to take on an arbitrary additive form. We present an efficient algorithm for our estimator's computation, and prove that it is consistent. We extend our method to estimation of directed graphs with known causal ordering. Using simulated data, we show that our method performs better than existing methods when there are non-linear relationships among the features, and is comparable to methods that assume multivariate normality when the conditional means are linear. We illustrate our method on a cell-signaling data set.