Model selection and estimation in the Gaussian graphical model
高斯图模型中的模型选择与估计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：高斯图模型描述条件依赖结构，摘要未涉及经济网络、个体互动或干扰效应，故不归入网络与干扰。
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…
高斯图模型中的模型选择与估计
- 研究问题
- 在高斯图模型中，如何同时选择条件依赖结构并估计稀疏的精度矩阵，同时满足矩阵正定约束并选择调节参数？
- 方法与思路
- 作者使用惩罚似然得到稀疏收缩估计，借助凸优化中的 maxdet 算法处理正定约束，并提出 BIC 型调参准则。
- 材料陈述的贡献
- 摘要称方法可同步完成模型选择和估计，能够有效计算，并通过模拟、真实案例及与既有方法的联系展示其表现。
- 阅读关注点
- 应核对惩罚函数和优化问题、正定约束处理及计算收敛性，以及 BIC 型准则的依据和模拟中的结构恢复指标。
- 阅读边界
- 材料为版本未注明的索引摘要，未提供维度增长条件、结构选择保证或具体比较结果，不能确认普遍优势及刊本变化。
原文摘要
We propose penalized likelihood methods for estimating the concentration matrix in the Gaussian graphical model. The methods lead to a sparse and shrinkage estimator of the concentration matrix that is positive definite, and thus conduct model selection and estimation simultaneously. The implementation of the methods is nontrivial because of the positive definite constraint on the concentration matrix, but we show that the computation can be done effectively by taking advantage of the efficient maxdet algorithm developed in convex optimization. We propose a BIC-type criterion for the selection of the tuning parameter in the penalized likelihood methods. The connection between our methods and existing methods is illustrated. Simulations and real examples demonstrate the competitive performance of the new methods.