Multiple Matrix Gaussian Graphs Estimation
多个矩阵高斯图的估计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：摘要研究矩阵数据的高斯条件依赖图与神经影像应用，未提供经济网络、干扰或其他所列方向的直接依据。
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…
关注这篇论文的作者
多个矩阵高斯图的估计
- 研究问题
- 当每个采样单位是矩阵时，如何估计多组矩阵高斯图，以刻画行与列的条件依赖结构，并使计算适用于较大规模的图？
- 方法与思路
- 作者在矩阵正态分布框架下采用非凸惩罚估计多个图，提出可处理数百节点的非凸优化算法，并研究估计量的渐近性质。
- 材料陈述的贡献
- 摘要称相较既有结果，理论所需条件更宽松且概率误差界更紧，并以模拟和功能磁共振成像数据展示方法表现。
- 阅读关注点
- 应核对多个图之间的联系如何建模、非凸算法的收敛保证，以及更宽松条件和更紧误差界所比较的对象与适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要；具体条件、误差界、运行时间和数值结果未提供，不能将作者的比较陈述视为所有场景下的优势。
原文摘要
Summary Matrix-valued data, where the sampling unit is a matrix consisting of rows and columns of measurements, are emerging in numerous scientific and business applications. Matrix Gaussian graphical models are a useful tool to characterize the conditional dependence structure of rows and columns. We employ non-convex penalization to tackle the estimation of multiple graphs from matrix-valued data under a matrix normal distribution. We propose a highly efficient non-convex optimization algorithm that can scale up for graphs with hundreds of nodes. We establish the asymptotic properties of the estimator, which requires less stringent conditions and has a sharper probability error bound than existing results. We demonstrate the efficacy of our proposed method through both simulations and real functional magnetic resonance imaging analyses.