Learning Joint Graphical Model with Computational Efficiency, Dynamic Regularization, and Adaptation
联合图模型的学习：计算效率、动态正则化与自适应性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：摘要聚焦多源图模型联合估计的算法与理论性质，属于高维统计与图模型方法，未涉及所给因果推断、面板、时间序列、资产定价等经济学领域细分，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…
联合图模型的学习：计算效率、动态正则化与自适应性
- 研究问题
- 摘要称，多源数据中每个来源对应相关但不同的依赖结构，研究问题是如何联合估计多个图模型（多个精度矩阵），以利用跨图共享的结构模式提高估计准确性。
- 方法与思路
- 作者提出 MIGHT（多任务迭代图硬阈值）方法，将联合模型按列重写为一系列多任务学习问题，并用基于迭代硬阈值的动态正则化算法求解；摘要称该框架天然可并行，因而计算高效。
- 材料陈述的贡献
- 摘要称推导了所得估计量的非渐近误差界，且算法对列间信号强度异质具有自适应性：强信号节点可获得改进的误差界与选择相合性，并具有渐近正态性；摘要称这些性质在既有联合学习方法中较少被探讨。
- 阅读关注点
- 阅读全文时应核对：按列重写与多任务转化的具体形式、动态正则化与硬阈值算法的实现细节、非渐近误差界所依赖的识别与正则条件、强信号节点自适应结论的适用范围，以及模拟与癌症基因表达 RNA-seq 实证的具体设定。
- 阅读边界
- 仅凭摘要无法判断误差界与渐近正态性所需假设是否合理、算法收敛与调参细节、实证数据与基准比较的具体结果；摘要未说明这些内容，也未说明与既有方法的全面比较。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Multi-sourced datasets are common in studies of variable interactions, for example, individual-level fMRI integration, cross-domain recommendation, etc, where each source induces a related but distinct dependency structure. Joint learning of multiple graphical models (i.e., multiple precision matrices) has emerged as an important tool in analyzing such data. Unlike separate learning, joint learning can leverage shared structural patterns across graphs to yield more accurate results. In this paper, we present an efficient and adaptive method named MIGHT (\textbf{M}ulti-task \textbf{I}terative \textbf{G}raphical \textbf{H}ard \textbf{T}hresholding) to estimate multiple graphs jointly. We reformulate the joint model into a series of multi-task learning problems through a column-by-column manner, and solve these problems using a dynamic regularized algorithm based on iterative hard thresholding. This framework is inherently parallelizable and therefore efficient in computation. Theoretically, we derive the non-asymptotic error bound for the resulting estimator. Furthermore, the proposed algorithm is adaptive to heterogeneous column-wise signal strengths: for nodes with strong signals, our estimator achieves improved error bounds and selection consistency adaptively, and also exhibits asymptotic normality -- properties rarely explored in existing joint learning methods. The performance of our method is illustrated through numerical simulations and real data analysis on a cancer gene-expression RNA-seq dataset.