Covariance decomposition in undirected Gaussian graphical models
无向高斯图模型中的协方差分解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：这里的图表示高斯条件独立关系，摘要未涉及经济主体网络或干扰效应，不能据图结构归入网络与干扰。
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
无向高斯图模型中的协方差分解
- 研究问题
- 多元高斯分布中两个变量的协方差，如何分解为连接两者的各条图路径的贡献，以判断哪些变量对相关性传递较重要？
- 方法与思路
- 作者用基础线性代数将协方差写成无向独立图中所有连接路径权重之和，并讨论稀疏精度矩阵及特定图结构的计算优势。
- 材料陈述的贡献
- 摘要称路径权重可用于判断连接端点相关性的关键中间变量；精度矩阵稀疏时，大规模变量系统中的分解具有计算可行性。
- 阅读关注点
- 应核对路径与权重的定义、分解恒等式的推导、稀疏结构下的计算成本，以及由无环有向图导出的图为何能进一步提高效率。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；原文明确不要求或涉及因果假设，路径权重不能据此解释为因果中介效应。
原文摘要
The covariance between two variables in a multivariate Gaussian distribution is decomposed into a sum of path weights for all paths connecting the two variables in an undirected independence graph. These weights are useful in determining which variables are important in mediating correlation between the two path endpoints. The decomposition arises in undirected Gaussian graphical models and does not require or involve any assumptions of causality. This covariance decomposition is derived using basic linear algebra. The decomposition is feasible for very large numbers of variables if the corresponding precision matrix is sparse, a circumstance that arises in examples such as gene expression studies in functional genomics. Additional computational efficiences are possible when the undirected graph is derived from an acyclic directed graph. Copyright 2005, Oxford University Press.