Estimation of High Dimensional Bounded Discrete Graphical Models via Regularized Generalized Score Matching
高维有界离散图模型的正则化广义得分匹配估计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：摘要聚焦高维离散图模型的估计方法与理论，未涉及因果推断、面板、离散选择、网络干扰或宏观金融等用户所列细分方向，故不选择。
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
高维有界离散图模型的正则化广义得分匹配估计
- 研究问题
- 摘要称，针对具有有限支撑的多元离散响应，如何构建图模型以刻画条件依赖结构，并避免无界计数变量为保证归一化常数有限而对交互参数施加的限制性约束。
- 方法与思路
- 作者提出有界离散图模型，并开发正则化广义得分匹配估计量 BRIDGE，作为免归一化的似然型替代；通过重参数化恢复截距方向的曲率以改善损失几何，并用 ℓ1 惩罚实现联合正则化。
- 材料陈述的贡献
- 摘要称，该方法给出所有参数的统一估计方程组；理论上分析非凸目标，建立替代全局凸性的总体分离性质，从而得到非渐近估计误差界与高维下的精确支撑恢复；模拟与真实数据分析显示其能准确恢复图结构。
- 阅读关注点
- 应核对有界离散图模型的具体参数化与识别条件、广义得分匹配目标与估计方程组的推导、总体分离性质的假设、非渐近误差界与支撑恢复所需的高维条件，以及重参数化对计算稳定性的实际作用。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；摘要未说明具体数据来源、模拟设计、样本量、调参方式与证明细节，不能据此判断方法优越性或已通过同行评审。
原文摘要
Graphical models for multivariate count data are widely used to characterize conditional dependence structures. For count variables with unbounded support, however, ensuring a finite normalizing constant typically imposes restrictive constraints on interaction parameters. We propose bounded discrete graphical models for multivariate discrete responses with finite support, which remove such constraints by construction while retaining interpretable dependence on the observed scale. We develop a regularized generalized score matching estimator (BRIDGE), which provides a normalization-free surrogate for likelihood-based estimation. The approach yields a unified system of estimating equations for all parameters and enables joint regularization through an $\ell_1$ penalty. To address degeneracy in the loss geometry, we introduce a reparameterization that restores curvature along the intercept direction and facilitates stable computation. On the theoretical side, we analyze a nonconvex objective and establish a population separation property that replaces global convexity. This yields nonasymptotic estimation error bounds and exact support recovery in high-dimensional regimes. Simulation studies and real data analyses demonstrate that BRIDGE accurately recovers graph structure and provides a stable and interpretable framework for high-dimensional discrete graphical modeling.