Bayesian Graphical Models under Positivity Constraints: A Scalable generalized likelihood Approach
正性约束下的贝叶斯图模型：一种可扩展的广义似然方法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：摘要提到在合成与金融数据上实验并改善结构化依赖的恢复，与金融风险中的相依结构估计直接相关；其余细分方向在摘要中缺乏文本依据。
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…
正性约束下的贝叶斯图模型：一种可扩展的广义似然方法
- 研究问题
- 摘要称，研究问题是在全正性约束下对高斯图模型的精度矩阵进行估计，并解决高斯似然计算代价过高、难以扩展到高维的问题。
- 方法与思路
- 作者提出基于 D-trace 损失的广义贝叶斯方法，去掉对数行列式项以便高效优化，并允许采样期间放松正定性；用 spike-and-slab 先验引入稀疏性，并给出后验真确性条件。
- 材料陈述的贡献
- 摘要称主要贡献是一套面向高维情形的后验采样算法：从逐分量 Gibbs 抽样出发，提出数据增广方案使精度矩阵元素条件独立以支持联合更新，利用样本协方差的 Gram 结构构造快速矩阵正态采样器，并用交织策略改善混合。
- 阅读关注点
- 应核对后验真确性所需的具体条件、D-trace 广义后验与高斯后验的偏差如何影响估计、各采样器的每步复杂度与收敛诊断，以及合成与金融数据实验的设置和比较基准。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证的完整条件、数值结果大小与稳健性；摘要未说明具体数据来源、样本规模与对比方法细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We develop a computationally scalable Bayesian framework for precision matrix estimation in Gaussian graphical models under total positivity constraints. To overcome the high computational cost of the Gaussian likelihood, we adopt a generalized Bayesian approach based on the $D$-trace loss, which eliminates the log-determinant term and enables efficient optimization while allowing relaxation of positive definiteness during sampling. Sparsity is induced via spike-and-slab priors, and the resulting generalized posterior is shown to be proper under mild conditions. Our primary contribution is a suite of efficient posterior sampling algorithms tailored to high-dimensional settings. Starting from a component-wise Gibbs sampler, we introduce a novel data augmentation scheme that induces conditional independence among precision matrix entries, enabling joint updates. By exploiting the Gram structure of the sample covariance matrix, we further develop a fast matrix-normal sampler that significantly reduces per-iteration complexity in high-dimensional settings. An interweaving strategy combines augmented and direct updates to improve mixing without sacrificing scalability. Experiments on synthetic and financial data demonstrate substantial computational gains over existing methods, while maintaining competitive estimation accuracy and improved recovery of structured dependencies.