English(EN) Learning Gaussian Graphical Models from a Glauber Trajectory Without Mixing

新算法从单轨迹学习高斯图模型

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-30 07:07

研究人员开发了一种新的多项式时间算法，能够从Glauber动力学的单轨迹中恢复高斯图模型的条件独立图。该方法不需要轨迹达到其混合时间，弥补了当前对时间相关观测能力的不足。该算法包括估计条件方差、重缩放轨迹以及采用具有鲁棒中位数估计器的局部边测试，以确保在存在时间依赖性的情况下仍能保持准确性。 AI

影响这项研究推进了分析复杂、时间相关数据的方法，可能影响那些依赖图模型来理解关系的领域。

排序理由该集群包含一篇详细介绍学习高斯图模型新算法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Eric Shen, Tony Wu, Mahbod Majid, Ankur Moitra · 2026-07-01 04:00

Learning Gaussian Graphical Models from a Glauber Trajectory Without Mixing

arXiv:2606.31230v1 Announce Type: new Abstract: We study the task of learning the structure of a $d$-sparse Gaussian graphical model on $n$ variables from a single trajectory of Glauber dynamics. Beyond algorithmic considerations, many applications present temporally correlated o…
arXiv stat.ML TIER_1 English(EN) · Ankur Moitra · 2026-06-30 07:07

Learning Gaussian Graphical Models from a Glauber Trajectory Without Mixing

We study the task of learning the structure of a $d$-sparse Gaussian graphical model on $n$ variables from a single trajectory of Glauber dynamics. Beyond algorithmic considerations, many applications present temporally correlated observations rather than i.i.d.\ samples. In the …