Estimating differential latent variable graphical models with applications to brain connectivity
差异潜变量图模型估计及其脑连接应用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：摘要明确以两组条件依赖网络之差及潜变量结构为对象，支持网络方法方向；未提供因果干扰效应的研究依据。
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…
差异潜变量图模型估计及其脑连接应用
- 研究问题
- 当两组数据都含潜在因子时，如何估计组间条件依赖结构的差异，并区分差异网络中的稀疏部分与低秩部分？
- 方法与思路
- 作者先构造简单的一致初始化估计，再对非凸目标采用投影交替梯度下降，同时估计对称不定的稀疏与低秩矩阵成分。
- 材料陈述的贡献
- 摘要称在给定初始化下，算法线性收敛并达到极小极大最优的统计误差；合成和真实数据实验优于所比较的现有方法。
- 阅读关注点
- 应核对稀疏与低秩分解的可识别条件、初始化精度要求、线性收敛适用的区域，以及统计误差界和脑连接应用的解释。
- 阅读边界
- 仅据所给 Crossref 摘要；分解条件与误差率未说明，条件依赖网络不能直接解释为因果或干扰网络，实验优势的范围及其他版本变化未提供。
原文摘要
Summary Differential graphical models are designed to represent the difference between the conditional dependence structures of two groups, and thus are of particular interest for scientific investigations. Motivated by modern applications, this manuscript considers an extended setting where each group is generated by a latent variable Gaussian graphical model. Due to the existence of latent factors, the differential network is decomposed into sparse and low-rank components, both of which are symmetric indefinite matrices. We estimate these two components simultaneously using a two-stage procedure: (i) an initialization stage, which computes a simple, consistent estimator, and (ii) a convergence stage, implemented using a projected alternating gradient descent algorithm applied to a nonconvex objective, initialized using the output of the first stage. We prove that given the initialization, the estimator converges linearly with a nontrivial, minimax optimal statistical error. Experiments on synthetic and real data illustrate that the proposed nonconvex procedure outperforms existing methods.