Learning extremal graphical structures in high dimensions
高维极值图结构学习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：摘要明确研究多变量极端依赖并分析汇率数据，因此与金融尾部风险直接相关。
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…
高维极值图结构学习
- 研究问题
- 如何从高维多变量极端观测中学习条件独立图结构，并在明确条件下保证恢复真实的连通图？
- 方法与思路
- 作者推导经验极值变差函数的非渐近集中界，并针对 Hüsler–Reiss 模型结合 L1 正则化优化与多数投票学习图结构。
- 材料陈述的贡献
- 摘要称，集中界用于给出一致恢复任意连通图的明确条件，并通过模拟、河流流量及汇率数据展示方法。
- 阅读关注点
- 应核对吸引域条件、尾部观测选取、维数与样本量限制、正则化参数，以及多数投票实现和图恢复条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体恢复条件、模拟结果和汇率应用结论未说明，不能将极值图等同于因果网络。
原文摘要
Extremal graphical models encode the conditional independence structure of multivariate extremes. Key statistics for learning extremal graphical structures are empirical extremal variograms, for which we prove non-asymptotic concentration bounds that hold under general domain of attraction conditions. For the popular class of Hüsler--Reiss models, we propose a majority voting algorithm for learning the underlying graph from data through $L^1$ regularized optimization. Our concentration bounds are used to derive explicit conditions that ensure the consistent recovery of any connected graph. The methodology is illustrated through a simulation study as well as the analysis of river discharge and currency exchange data.