Selection and estimation for mixed graphical models
混合图模型的选择与估计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：摘要明确研究混合条件分布下的图结构重构与边选择，对应网络结构方法，但未涉及主体间干扰效应。
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
混合图模型的选择与估计
- 研究问题
- 当成对图模型各节点的条件分布属于不同指数族时，哪些参数限制保证联合密度存在，又如何在高维稀疏情形下恢复图结构？
- 方法与思路
- 作者分析联合密度存在所需的参数约束，研究邻域选择的图恢复一致性，并比较从不同节点回归中选取跨类型边估计的方式。
- 材料陈述的贡献
- 摘要称建立了稀疏高维图重构的一致性，并指出使用特定节点回归的边估计可提高效率，以多种指数族例子和模拟提供支持。
- 阅读关注点
- 应核对不同指数族组合的联合可积性约束、邻域选择的一致性条件，以及跨类型边估计的选择规则与效率比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出参数约束或效率标准，所述图边不能据此作因果解释。
原文摘要
We consider the problem of estimating the parameters in a pairwise graphical model in which the distribution of each node, conditioned on the others, may have a different exponential family form. We identify restrictions on the parameter space required for the existence of a well-defined joint density, and establish the consistency of the neighbourhood selection approach for graph reconstruction in high dimensions when the true underlying graph is sparse. Motivated by our theoretical results, we investigate the selection of edges between nodes whose conditional distributions take different parametric forms, and show that efficiency can be gained if edge estimates obtained from the regressions of particular nodes are used to reconstruct the graph. These results are illustrated with examples of Gaussian, Bernoulli, Poisson and exponential distributions. Our theoretical findings are corroborated by evidence from simulation studies.