The functional graphical lasso
函数型图形套索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：摘要中的图表示统计条件独立关系，未涉及经济网络、干扰效应或明确的时间序列建模任务。
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…
函数型图形套索
- 研究问题
- 在样本数远少于变量数的稀疏高维环境中，如何恢复多个 Hilbert 空间随机元素之间的条件独立关系？
- 方法与思路
- 作者将图形套索推广到无限维情形，采用代入式方法处理异质观测，强调无需截断降维，并从最大似然思想解释程序。
- 材料陈述的贡献
- 摘要称，方法在相应假设下具有模型选择一致性，可推广经典有限维结果，并适用于稀疏或密集观测及存在序列依赖的样本。
- 阅读关注点
- 应核对条件独立关系与图结构的定义、无限维似然及惩罚的构造，尤其关注序列依赖、观测误差和代入估计所需条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；所谓自然假设和依赖条件未展开，不能将无需额外结构假设理解为完全无条件适用。
原文摘要
We consider the problem of recovering conditional independence relationships between p jointly distributed Hilbertian random elements given n realizations thereof. We operate in the sparse high-dimensional regime, where n ≪ p and no element is related to more than d ≪ p other elements. In this context, we propose an infinite-dimensional generalization of the graphical lasso. We prove model selection consistency under natural assumptions and extend many classical results to infinite dimensions. In particular, we do not make additional structural assumptions. The plug-in nature of our method makes it applicable to heterogeneous data measured under any observational regime, whether sparse or dense, and indifferent to serial dependence between samples. In addition, it does not require dimensionality reduction by truncation. Importantly, our method can be understood as naturally arising from a coherent maximum likelihood philosophy.