Gaussian graphical model estimation with false discovery rate control
控制错误发现率的高斯图模型估计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。
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：摘要中的图表示一般高斯变量的条件依赖，未涉及经济主体网络或干扰效应，因此不足以归入网络与干扰方向。
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…
关注这篇论文的作者
控制错误发现率的高斯图模型估计
- 研究问题
- 研究高维高斯图模型中如何控制错误识别的边，针对正则化参数与错误边数量之间关系不清楚的问题提出替代方案。
- 方法与思路
- 作者为条件依赖构造新的检验统计量，通过同时检验多个条件依赖关系估计图结构，并建立渐近错误发现率控制。
- 材料陈述的贡献
- 摘要称提出了具有渐近错误发现率控制的多重检验估图方法，并报告数值表现良好，但未给出具体比较幅度。
- 阅读关注点
- 应核对条件依赖统计量的构造、维数增长和依赖结构的限制，以及错误发现率定理与数值实验中的比较基准。
- 阅读边界
- 仅据版本未注明的索引摘要，未说明渐近控制条件、有限样本误差或调参需求；数值表现良好不能替代普遍性能保证。
原文摘要
This paper studies the estimation of a high-dimensional Gaussian graphical model (GGM). Typically, the existing methods depend on regularization techniques. As a result, it is necessary to choose the regularized parameter. However, the precise relationship between the regularized parameter and the number of false edges in GGM estimation is unclear. In this paper we propose an alternative method by a multiple testing procedure. Based on our new test statistics for conditional dependence, we propose a simultaneous testing procedure for conditional dependence in GGM. Our method can control the false discovery rate (FDR) asymptotically. The numerical performance of the proposed method shows that our method works quite well.