Beyond Local Independence: High-Dimensional Latent Class Graphical Models with Shared Block Structure
超越局部独立：具有共享块结构的高维潜类别图模型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：摘要聚焦潜类别图模型的高维估计与理论，属于多元分类数据的统计方法研究，未直接对应所给微观、宏观或金融领域细分，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
超越局部独立：具有共享块结构的高维潜类别图模型
- 研究问题
- 摘要称，潜类别模型常用于异质总体的多元分类数据，但其标准局部独立假设在高维应用中往往不现实；本文研究如何在保留潜类别分析可解释性与简约性的同时，允许类别内的图依赖结构。
- 方法与思路
- 作者提出带块结构局部依赖的有序响应高维潜类别图模型，对变量施加共享块划分，并允许块内存在类别特定的图依赖；采用三步估计：先对展平响应矩阵做谱聚类恢复潜类别，再估计类别特定潜协方差并聚合以恢复共享块划分，最后估计稀疏块内精度矩阵。
- 材料陈述的贡献
- 摘要称建立了聚类、协方差估计、块恢复与精度矩阵估计的有限样本误差界，在高维标度下得到各模型成分的端到端一致性；模拟显示能准确恢复潜类别、共享块划分与类别特定依赖图，并应用于美国国家选举研究调查数据与HapMap3基因型数据。
- 阅读关注点
- 应核对局部独立假设被放松的具体形式与可识别性条件、共享块划分的假设是否过强、三步估计中误差如何传播、有限样本界所需的高维标度与稀疏性条件，以及两个应用数据中依赖结构的解释是否稳健。
- 阅读边界
- 仅依据摘要，无法判断定理证明细节、模拟设定与真实数据结论的可靠性；该文为arXiv预印本，未经同行评审或期刊接收验证，引用时需注明版本限制。
原文摘要
Latent class models are central tools for multivariate categorical data from heterogeneous populations, but their standard local-independence assumption is often unrealistic in modern high-dimensional applications. We propose a high-dimensional latent class graphical model for ordinal responses with block-structured local dependence. The model retains the interpretability and parsimony of classical latent class analysis by imposing a shared block partition of variables, while allowing class-specific graphical dependence within each block. We develop a scalable three-step estimator that first recovers latent classes by spectral clustering of a flattened response matrix, then estimates class-specific latent covariance matrices and aggregates them to recover the shared block partition, and finally estimates sparse within-block precision matrices. We establish finite-sample error bounds for clustering, covariance estimation, block recovery, and precision-matrix estimation, yielding end-to-end consistency of all model components under high-dimensional scaling. Simulations demonstrate accurate recovery of latent classes, the shared block partition, and class-specific dependence graphs with scalable computation. Applications to American National Election Studies survey data and HapMap3 genotype data show that the method uncovers interpretable local dependence structures while accounting for latent heterogeneity.