Bayesian analysis of matrix normal graphical models
矩阵正态图模型的贝叶斯分析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：摘要明确将矩阵正态图模型扩展到矩阵时间序列和动态模型，支持时间序列分类。
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…
矩阵正态图模型的贝叶斯分析
- 研究问题
- 如何对矩阵正态数据的协方差条件独立结构进行贝叶斯分析，并处理图结构不确定性、结构搜索及动态扩展？
- 方法与思路
- 作者通过协方差参数的图结构编码条件独立性，结合先验设定与 MCMC 后验计算，并将矩阵正态图嵌入动态模型。
- 材料陈述的贡献
- 摘要提出包含先验、后验计算和结构搜索的分析框架，并给出矩阵时间序列扩展及展示图模型比较的例子。
- 阅读关注点
- 应核对矩阵协方差的图结构约束、先验与结构搜索规则、后验计算方式，以及时间序列扩展的动态设定。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；先验细节、计算收敛和动态模型条件未说明，图结构不自动具有因果含义。
原文摘要
We present Bayesian analyses of matrix-variate normal data with conditional independencies induced by graphical model structuring of the characterizing covariance matrix parameters. This framework of matrix normal graphical models includes prior specifications, posterior computation using Markov chain Monte Carlo methods, evaluation of graphical model uncertainty and model structure search. Extensions to matrix-variate time series embed matrix normal graphs in dynamic models. Examples highlight questions of graphical model uncertainty, search and comparison in matrix data contexts. These models may be applied in a number of areas of multivariate analysis, time series and also spatial modelling.