LARGE: A Locally Adaptive Regularization Approach for Estimating Gaussian Graphical Models
LARGE：估计高斯图模型的局部自适应正则化方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以高斯图模型估计脑功能连接网络为核心应用，属于网络与干扰方向；其余领域细分在摘要中无对应文本依据。
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
LARGE：估计高斯图模型的局部自适应正则化方法
- 研究问题
- 摘要称，在高维无向高斯图模型中，GLASSO 需在无监督情形下选择正则化参数 λ，而现有方法（如样本外似然最大化）只选单一全局 λ，无法处理变量尺度或偏方差的异质性；对数据做单位方差标准化又会损害图恢复。因此问题是如何实现按节点自适应的调参。
- 方法与思路
- 作者提出 LARGE，在 GLASSO 的每个块坐标下降步骤中，把按节点的 Lasso 回归扩展为同时估计回归系数与误差方差，再由误差方差引导各节点惩罚参数的自适应学习。摘要称通过模拟与一个真实 fMRI 数据集上的脑功能连接估计来评估。
- 材料陈述的贡献
- 摘要称，LARGE 在模拟中于图恢复上持续优于基准方法，在重复实验中更稳定，并在最困难的模拟设定下取得最佳估计精度；作者还展示了该方法在真实 fMRI 数据上估计脑功能连接的实用性。
- 阅读关注点
- 应核对：误差方差与节点惩罚的具体联合估计形式及其收敛性；与 GLASSO 相比的计算代价；模拟设计、基准方法集合与评价指标；fMRI 数据的预处理与连接估计是否可复现；以及是否给出理论保证（如选择一致性）。
- 阅读边界
- 仅依据摘要，无法判断理论性质、调参的渐近行为、模拟与实证结论的稳健性，也未说明与既有自适应 Lasso 类方法的差异。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
The graphical Lasso (GLASSO) is a widely used algorithm for learning high-dimensional undirected Gaussian graphical models (GGM). Given i.i.d. observations from a multivariate normal distribution, GLASSO estimates the precision matrix by maximizing the log-likelihood with an \ell_1-penalty on the off-diagonal entries. However, selecting an optimal regularization parameter λin this unsupervised setting remains a significant challenge. A well-known issue is that existing methods, such as out-of-sample likelihood maximization, select a single global λand do not account for heterogeneity in variable scaling or partial variances. Standardizing the data to unit variances, although a common workaround, has been shown to negatively affect graph recovery. Addressing the problem of nodewise adaptive tuning in graph estimation is crucial for applications like computational neuroscience, where brain networks are constructed from highly heterogeneous, region-specific fMRI data. In this work, we develop Locally Adaptive Regularization for Graph Estimation (LARGE), an approach to adaptively learn nodewise tuning parameters to improve graph estimation and selection. In each block coordinate descent step of GLASSO, we augment the nodewise Lasso regression to jointly estimate the regression coefficients and error variance, which in turn guides the adaptive learning of nodewise penalties. In simulations, LARGE consistently outperforms benchmark methods in graph recovery, demonstrates greater stability across replications, and achieves the best estimation accuracy in the most difficult simulation settings. We demonstrate the practical utility of our method by estimating brain functional connectivity from a real fMRI data set.