Miscellanea. Maximum likelihood estimation in graphical models with missing values
杂论：含缺失值图模型的最大似然估计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：这里的图表示统计交互与条件依赖，摘要没有网络干扰或其他所列细分方向的直接证据。
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
杂论：含缺失值图模型的最大似然估计
- 研究问题
- 在部分观测缺失的混合图交互模型中，如何进行最大似然估计，并利用特定缺失模式降低计算成本？
- 方法与思路
- 作者在条件高斯分布设定下，将饱和模型的 EM 方法扩展到带有图结构约束的模型，并提出更高效的 E 步计算。
- 材料陈述的贡献
- 摘要称该扩展能够处理图模型中的特殊限制，并指出某些缺失模式可显著减少计算工作量，但未给出量化幅度。
- 阅读关注点
- 应核对条件高斯模型与图约束的形式、缺失机制、E 步简化所需的缺失模式，以及计算节省的比较基准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；缺失机制、收敛条件及效率比较细节未说明，不能推断一般性能优势。
原文摘要
In this paper we discuss maximum likelihood estimation when some observations are missing in mixed graphical interaction models assuming a conditional Gaussian distribution as introduced by Lauritzen & Wermuth (1989). The approach via the EM algorithm of Little & Schluchter (1985) for the saturated case is expanded to cover the special restrictions in graphical models. A more efficient way to compute the E-step is indicated. The main purpose of the paper is to show that for certain missing patterns the computational effort can be considerably reduced.