High-dimensional semiparametric bigraphical models
高维半参数双图模型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：摘要中的图表示矩阵数据的统计依赖结构，未涉及经济网络、干扰或所列其他应用方向。
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…
高维半参数双图模型
- 研究问题
- 对于非高斯的矩阵值数据，如何扩展高斯双图模型，在保留灵活分布设定的同时估计稀疏精度矩阵并恢复图结构？
- 方法与思路
- 作者提出 nonparanormal 双图模型，使用经投影的非参数秩正则化方法，在惩罚似然框架内估计精度矩阵和图。
- 材料陈述的贡献
- 摘要称矩阵估计和图恢复达到参数收敛率；所报告的经验比较中，方法对非高斯数据表现更好，对高斯数据具有竞争力。
- 阅读关注点
- 应核对半参数变换的限制、投影步骤、稀疏性与图恢复条件，并查看分类数据和缺失数据扩展的具体构造。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；收敛率成立条件、比较设计与误差指标未说明，不能将经验表现推广至任意数据。
原文摘要
In multivariate analysis, a Gaussian bigraphical model is commonly used for modelling matrix-valued data. In this paper, we propose a semiparametric extension of the Gaussian bigraphical model, called the nonparanormal bigraphical model. A projected nonparametric rank-based regularization approach is employed to estimate sparse precision matrices and produce graphs under a penalized likelihood framework. Theoretically, our semiparametric procedure achieves the parametric rates of convergence for both matrix estimation and graph recovery. Empirically, our approach outperforms the parametric Gaussian model for non-Gaussian data and is competitive with its parametric counterpart for Gaussian data. Extensions to the categorical bigraphical model and the missing data problem are discussed.