实体
Gaussian Graphical Model
Gaussian Graphical Model
PulseAugur coverage of Gaussian Graphical Model — every cluster mentioning Gaussian Graphical Model across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的谱稀疏化方法提高了图模型的准确性
研究人员开发了新的方法 Spectral-LCGGM 和 Spectral-HR，以提高拉普拉斯约束高斯和 Hüsler-Reiss 图模型的准确性和可扩展性。这些模型用于图信号处理和极值依赖建模等领域。新技术采用谱图稀疏化作为后估计步骤，创建比原始模型稀疏但与原始模型在谱上接近的拉普拉斯估计，从而提高密集图估计的可解释性和性能。
-
新算法处理来自相关数据的相关高斯图模型选择
研究人员开发了新的高斯图模型选择算法，用于从相关动力学而非独立样本中获取数据。一种方法使用局部边测试估计器，该估计器可以并行实现，并且不需要数据链完全混合。第二种方法涉及预烧和稀疏化缩减，证明了子采样轨迹可以近似独立样本，从而可以使用标准学习器。两种方法都包括有限样本恢复保证和关于观测时间的理论信息下界。
-
新的近邻投影方法改进了双稀疏正则化模型
研究人员为高维回归设置中的双稀疏正则化模型开发了一种新颖的近邻投影方法。该方法利用高斯图模型的结构将系数向量分解为潜在变量，从而可以直接在这些变量上进行正则化。该方法提供了 L1 和 L2 惩罚之间的用户定义权衡，并通过计算组交集的投影算子来节省计算资源，优于预测变量复制方法。