High-dimensional graphs and variable selection with the Lasso
高维图与 Lasso 变量选择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：摘要研究高斯条件独立图与通用变量选择，未涉及经济网络行为或干扰效应，故不直接归入网络与干扰。
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…
关注这篇论文的作者
高维图与 Lasso 变量选择
- 研究问题
- 在稀疏高维高斯图中，如何通过逐节点变量选择恢复条件独立结构，且为何预测最优的惩罚未必适合图选择？
- 方法与思路
- 作者对每个节点使用 Lasso 邻域选择，将条件独立关系估计转化为高斯线性回归变量选择，并按错误连接概率选惩罚。
- 材料陈述的贡献
- 摘要称在相应条件下获得稀疏图选择一致性及指数速率，并允许变量数按样本量的任意固定幂增长。
- 阅读关注点
- 应核对稀疏性与信号条件、节点选择结果如何组合，以及控制不同连通分量误连接与完整图恢复之间的关系。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；高维一致性依赖未列出的条件，不能推断任意稀疏图或预测最优惩罚均适用。
原文摘要
The pattern of zero entries in the inverse covariance matrix of a multivariate normal distribution corresponds to conditional independence restrictions between variables. Covariance selection aims at estimating those structural zeros from data. We show that neighborhood selection with the Lasso is a computationally attractive alternative to standard covariance selection for sparse high-dimensional graphs. Neighborhood selection estimates the conditional independence restrictions separately for each node in the graph and is hence equivalent to variable selection for Gaussian linear models. We show that the proposed neighborhood selection scheme is consistent for sparse high-dimensional graphs. Consistency hinges on the choice of the penalty parameter. The oracle value for optimal prediction does not lead to a consistent neighborhood estimate. Controlling instead the probability of falsely joining some distinct connectivity components of the graph, consistent estimation for sparse graphs is achieved (with exponential rates), even when the number of variables grows as the number of observations raised to an arbitrary power.