Network-based clustering with mixtures of L1-penalized Gaussian graphical models: an empirical investigation
University of Warwick（华威大学）；The Netherlands Cancer Institute（荷兰癌症研究所）
在许多应用中，多元样本可能在条件独立性或网络结构水平上隐藏先前未被识别的异质性。例如，在癌症生物学中，疾病亚型可能在分子组分之间的亚型特异性相互作用方面不同。然后，子类型发现和估计的子类型特定的网络提出了重要的和相关的挑战。为了实现这样的分析，我们提出了一个混合模型，其组成部分是稀疏高斯图形模型。这将基于模型的聚类和图形化建模结合在一起，可以同时估计集群分配和集群特定的网络。我们进行估计的L1处罚的框架内，并调查了几个具体的处罚制度。我们提出了经验的模拟数据的结果，并提供了一般的建议，制定和使用的L1处罚高斯图形模型的混合物。
2013-01-10 cs.LG stat.ME stat.ML
Penalized basis models for very large spatial datasets
许多现代空间模型将随机变化分量表示为具有随机系数的基展开。低秩模型，近似谱分解，多分辨率表示，随机偏微分方程和经验正交函数都属于这个基本框架。给定特定的基础，随机依赖依赖于系数的灵活建模。在高斯假设下，我们提出了一个图形化的模型家庭的随机系数参数化的精度矩阵。使用惩罚似然框架鼓励精度矩阵中的稀疏性。计算遵循优化-最小化方法，其副产品是与图形套索的连接。其结果是一个灵活的非平稳空间模型，适用于非常大的数据集。我们将该模型应用于统计气候学中的两个大型异构空间数据集，并恢复物理上合理的图形结构。此外，该模型在预测交叉验证中与流行的LatticeKrig模型竞争，但大大提高了Akaike信息标准得分。
2019-02-19 stat.ME
Dealing with separation problem in hidden Markov models with covariates based on a penalized maximum likelihood approach
本文提出惩罚最大似然方法解决带协变量隐马尔可夫模型中的潜在状态分离问题，并通过交叉验证联合选择隐藏状态数与惩罚强度，在模拟和脊髓麻醉低血压纵向数据中验证了其估计精度与模型潜力。
2025-07-03 stat.ME
Tuning parameter selection for penalized likelihood estimation of inverse covariance matrix
在高斯图模型中，两个变量之间的条件独立性由逆协方差阵中相应的零元素来表征。文献中已经提出了使用平滑剪切绝对偏差（SCAD）惩罚（Fan和Li，2001）和自适应LASSO惩罚（Zou，2006）的极大似然方法。在这篇文章中，我们建立的结果，使用贝叶斯信息准则（BIC）选择调整参数的惩罚似然估计与两种类型的惩罚可以导致一致的图形模型选择。我们比较了BIC与交叉验证方法的经验性能，并通过仿真研究证明了BIC准则在调整参数选择方面的优越性能。
2009-09-04 stat.ME stat.ML
Robust sparse Gaussian graphical modeling
高斯图形建模已被广泛用于探索各种网络结构，如基因调控网络和社交网络。我们经常使用带有$L_1$惩罚的惩罚极大似然方法来学习高维图形模型。然而，惩罚的极大似然过程对离群值敏感。为了克服这个问题，我们引入了一个稳健估计过程的基础上的$γ$发散。所提出的方法具有降阶性质，这是已知的鲁棒统计中的一个理想的属性。参数估计过程使用最优最小化算法构造，该算法保证目标函数在每次迭代时单调减小。广泛的模拟研究表明，我们的程序比现有的方法，特别是，当污染率很大。两个真实的数据进行了分析，以说明我们提出的程序的实用性。
2017-06-12 stat.ME
Environmental Risk Assessment via Nonhomogeneous Hidden Semi-Markov Models with Penalized Vector Auto-Regression
提出基于非齐次隐半马尔可夫向量自回归的多元空气污染建模框架，结合EM算法和L1正则化估计参数，并利用Shapley值分解评估环境风险，有效识别高污染事件以支持政策干预。
2025-09-17 stat.ME
Penalized estimation of flexible hidden Markov models for time series of counts
隐马尔可夫模型是建模序列观测的通用工具，其中假设隐状态过程选择多个分布中的哪一个生成任何给定的观测。特别是对于计数的时间序列，泊松族通常为状态依赖分布提供自然选择，尽管也可以使用更灵活的分布，例如负二项分布或具有有界范围的分布。然而，在实践中，选择一个适当的类（参数）分布往往是什么，但简单，和一个不充分的选择可能会有严重的负面影响模型的预测性能，状态分类，并在一般的推理有关的系统考虑。为了解决这个问题，我们提出了一个有效的非参数方法来拟合隐马尔可夫模型的时间序列的计数，状态依赖的分布估计在一个完全的数据驱动的方式，而不需要选择一个分布的家庭。为了避免过度拟合，我们添加了粗糙度惩罚的基础上相邻的计数概率之间的高阶差异的可能性，这是证明产生光滑的概率质量函数的状态相关的分布。建议的方法的可行性进行了评估，在模拟实验中，并说明了在两个真实的数据应用程序，在那里我们模拟分布的i）大地震计数和ii）加速度计数的海洋白鳍鲨（Carcharhinus longimanus）随着时间的推移。
2019-01-10 stat.ME
A Graphical Comparison of Screening Designs using Support Recovery Probabilities
针对筛选设计模拟比较中的可重复性问题，提出基于筛选概率的图形化方法，通过沿惩罚回归求解路径评估设计，规避调整参数，实现更可靠的设计比较。
2023-11-21 stat.ME
A Network-Guided Penalized Regression with Application to Proteomics Data
针对高维数据中核心蛋白质预后作用研究不足的问题，提出一种网络引导的惩罚回归方法，结合Gaussian graphical model与adaptive Lasso进行变量选择，并在CPTAC数据上验证了其识别疾病预后生物标志物的有效性。
2025-05-29 q-bio.QM stat.AP stat.ME
Generalized Stability Approach for Regularized Graphical Models
在惩罚的高维图形模型中以原则性的、数据驱动的和计算高效的方式选择正则化参数仍然是高维统计中的关键挑战之一。我们提出了大量的计算收益和概念概括的稳定性方法正则化选择（StARS），一个国家的最先进的图形模型选择计划。利用泊松-二项分布和凸非渐近分布建模的性质，我们提出了StARS图正则化路径的上下界，从而大大降低了计算成本，而不影响正则化选择。我们还推广了StARS标准从单边诱导子图（graphlet）的稳定性。我们表明，同时需要边缘和graphlet稳定性导致卓越的图形恢复性能独立的图形拓扑结构。这些新颖的见解使得高斯图形模型选择成为标准多核计算机上的常规任务。
2016-05-23 q-bio.MN stat.AP stat.CO
Group-wise shrinkage estimation in penalized model-based clustering
有限高斯混合模型提供了一个强大的和广泛使用的概率方法聚类多元连续数据。然而，这些模型的实际用途是危害在高维空间，在那里他们往往是过度参数化。因此，已经提出了不同的解决方案，通常依赖于矩阵分解或变量选择策略。最近，高斯图形模型和有限混合物之间的方法联系已经建立，铺平了道路，惩罚基于模型的聚类在大精度矩阵的存在。尽管如此，目前的方法隐含地假设类之间的稀疏性水平相似，不考虑各组变量之间的关联程度不同。我们克服了这一限制，推导出组明智的惩罚因子，自动执行下或过连接的估计图。该方法完全是数据驱动的，不需要额外的超参数规范。对合成数据和实际数据的分析表明了我们建议的有效性。
2022-05-12 stat.CO stat.ME
A Beta-GAM Hidden Markov Model for Proportion Time Series
University of Foggia（福贾大学）；Macquarie University（麦考瑞大学）；Bocconi University（博科尼大学）
本文提出了一种用于单变量比例时间序列的隐马尔可夫模型，其中隐状态捕捉潜在的结构性变化，发射分布属于Beta族。通过GAM与样条函数建模Beta均值与协变量的关系，同时允许状态特异性的精度，以灵活建模非线性协变量效应和制度依赖性变化。
2026-05-08 stat.AP stat.ME
Hidden Markov graphical models with state-dependent generalized hyperbolic distributions
提出参数随潜在马尔可夫链演化的广义双曲隐马尔可夫图模型，用带$L_1$惩罚的EM估计状态特定稀疏精度矩阵，并通过模拟与2017—2023年多类金融资产日收益实证验证。
2024-12-04 q-fin.ST stat.ME
Bayes Regularized Graphical Model Estimation in High Dimensions
在过去的十年中，贝叶斯图模型估计方法得到了很大的发展-然而，大多数现有的方法仅限于中等尺寸。我们提出了一种新的方法，适用于高维设置，通过解耦模型拟合和协方差选择。首先，基于完全图的完整模型在精度矩阵元素上的新型连续收缩先验下拟合，这在与基于Cholesky的正则化等价的情况下引起收缩，同时实现整个精度矩阵的共轭更新。随后，我们提出了一个后拟合的图形模型估计步骤，该步骤使用惩罚联合可信区域进行邻域选择顺序为每个节点。后验计算使用直接的完全吉布斯抽样进行，并且该方法可扩展到高维。所提出的方法被证明是渐近一致的估计固定$p$的图形结构时，真相是一个高斯图形模型。仿真结果表明，我们的方法相比，无论是在图形模型估计和计算效率方面的贝叶斯竞争对手。我们将我们的方法应用于癌症基因组学中的高维基因表达和microRNA数据集。
2013-08-19 stat.ME
The Cluster Graphical Lasso for improved estimation of Gaussian graphical models
我们考虑的任务，估计一个高斯图形模型在高维设置。图形套索，它涉及最大化高斯对数似然受到l1惩罚，是一个很好的研究方法，为这项任务。我们首先介绍了一个令人惊讶的图形套索和层次聚类之间的联系：图形套索实际上执行两个步骤的过程，其中（1）单链接层次聚类的变量进行，以确定连接组件，然后（2）一个l1惩罚对数似然最大化的变量子集内的每个连接组件。换句话说，图形套索通过单链接聚类来确定估计网络的连接组件。不幸的是，已知单连锁聚类在某些设置中表现不佳。因此，我们提出了集群图形套索，它涉及使用替代单一链接聚类的功能进行聚类，然后在每个集群内的变量子集上执行图形套索。我们建立模型选择一致性，这种技术，并证明其改进的性能相对于图形套索在模拟研究中，以及在应用程序的股票数据集，大学网页数据集，和基因表达数据集。
2013-07-19 stat.ME stat.ML
Penalized Estimation of Directed Acyclic Graphs From Discrete Data
贝叶斯网络是一类流行的图形模型，其结构由有向无环图（DAG）给出。然而，从离散或分类数据中学习贝叶斯网络特别具有挑战性，因为参数空间很大，并且难以搜索稀疏结构。在这篇文章中，我们开发了一个最大惩罚似然方法来解决这个问题。而不是常用的多项分布，我们模型的条件分布的一个节点给定其父母的多logit回归，其中一个边缘参数化的一组系数向量与虚拟变量编码的节点的水平。为了得到一个稀疏的DAG，采用了一个群范数惩罚，并开发了一个分块坐标下降算法，以最大限度地提高受惩罚的似然无环约束的DAG。当介入数据可用时，我们的方法构造一个因果网络，其中有向边表示因果关系。我们将我们的方法应用到各种模拟和真实的数据集。结果表明，我们的方法是非常有竞争力的，与许多现有的方法相比，在DAG估计从干预和高维观测数据。
2018-02-02 stat.ME stat.ML
Methods for differential network estimation: an empirical comparison
本文回顾并比较了高斯图模型中五种差分网络估计方法，发现使用lasso惩罚的D-trace损失进行直接估计在所有网络结构和稀疏性组合中表现最佳，而枢纽的存在和密度增加对所有方法均构成挑战。
2025-03-06 stat.AP stat.ME
The joint graphical lasso for inverse covariance estimation across multiple classes
我们考虑的问题，估计多个相关的，但不同的图形模型的基础上的高维数据集的观察，属于不同的类。一个鼓舞人心的例子发生在有和没有癌症的组织样本的基因表达数据分析中。在这种情况下，我们可能希望估计正常组织的基因表达网络和肿瘤组织的基因表达网络。我们希望这两个基因表达网络是相似的，但彼此不相同，因此使用联合方法可能会更准确地估计这两个网络。为此，我们提出了联合图形套索。我们不是为每个类单独估计一个图模型，也不是在所有类中估计一个图模型，而是在类之间借用强度，以估计共享某些特征的多个图模型，例如非零边的位置或权重。我们的方法是基于最大化惩罚对数似然。我们采用融合套索或组套索处罚，并实现了一个非常快速的计算方法，解决了联合图形套索问题。在模拟研究中，我们证明了我们提出的方法导致更准确的估计网络和协方差结构比竞争的方法。我们进一步说明了我们的建议，公开的肺癌基因表达数据集。
2012-07-11 stat.ME
New estimation approaches for graphical models with elastic net penalty
在无向高斯图模型的背景下，我们介绍了三个估计的基础上弹性网惩罚的底层依赖图。我们的目标是估计稀疏精度矩阵，从中检索底层的条件依赖图和部分相关图。第一个估计量是由似然函数中的精度矩阵的直接惩罚得到的，而第二个估计量是由使用条件惩罚回归来估计精度矩阵得到的。最后，第三个估计器依赖于一个2阶段的过程，首先估计边缘集，然后估计精度矩阵元素。通过模拟，我们研究了所提出的方法在一个大的知名网络结构的性能。模拟数据的实证结果表明，两阶段的过程优于所有其他估计w.r.t.估计图中的稀疏模式和边的权重。最后，使用美国经济部门的真实数据，我们估计了相关性，并显示了新冠肺炎疫情对网络强度的影响。
2021-02-01 stat.ME
Reconstructing DNA copy number by penalized estimation and imputation
基因组学的最新进展强调了DNA拷贝数变异（CNV）的惊人普遍性。幸运的是，现代基因分型平台也能以相当高的可靠性检测CNV。隐马尔可夫模型和算法在CNV数据的解释中发挥了主导作用。在这里，我们探索CNV重建通过估计与融合套索惩罚建议由Tibshirani和王[生物统计学9（2008）18- 29]。我们安装一个新的攻击，这个困难的优化问题，通过以下方式：（a）改变罚款条款略有取代平滑近似的绝对值函数，（b）设计和实现一个新的MM（优化-最小化）算法，和（c）应用牛顿法的快速版本，共同更新所有的模型参数。这些变化使我们能够以一种非常有效的方式最小化融合套索准则。我们还通过离散优化重新构建了重建问题的估算。这种方法比参数估计更容易和更准确，因为它依赖于在每个SNP处仅存在少数可能的拷贝数状态的事实。动态规划框架具有利用当前融合套索方法忽略的信息的额外好处。我们的估算的准确性是可比的隐马尔可夫模型在一个显着降低计算成本。
2011-01-10 q-bio.GN stat.AP stat.ME
Nonparametric mixture of Gaussian graphical models
图模型已被广泛用于研究高维数据的复杂依赖结构，通常假设观测数据遵循齐次图模型。然而，观察通常来自不同的资源，并在现实世界的应用中具有异构隐藏的共性。因此，估计异质依赖关系，发现具有一定共性的子总体是非常重要的。在这项工作中，我们介绍了一种新的正则化估计方案学习非参数混合高斯图形模型，扩展了高斯图形模型和混合模型的方法和适用性。我们提出了一个统一的惩罚似然方法来有效地估计非参数函数参数和异构图形参数。我们进一步设计了一个有效的广义有效的期望最大化算法，以解决三个重大挑战：高维，非凸性，标签切换。在理论上，我们研究了我们提出的算法的算法收敛性和我们提出的估计的渐近性质。在数值上，我们展示了我们的方法在模拟研究和实际应用中的性能，以估计人类大脑功能的连接从ADHD成像数据，其中两个异质条件依赖性解释通过分析人口统计变量和现有的科学研究结果的支持。
2015-12-31 stat.ME stat.ML
Penalized Likelihood Methods for Estimation of Sparse High Dimensional Directed Acyclic Graphs
有向无环图（DAG）通常用于表示图形模型中随机变量之间的因果关系。这些模型的应用出现在物理和生物系统的研究中，其中节点之间的有向边表示系统组件对彼此的影响。从观测数据估计DAG的一般问题在计算上是NP困难的，而且两个有向图在观测上可能是等价的。当节点表现出自然排序时，估计有向图的问题就归结为估计网络结构的问题。在本文中，我们提出了一种惩罚似然方法，直接估计的DAG的邻接矩阵。同时考虑了套索和自适应套索惩罚，提出了一种有效的高维DAG估计算法。本文研究了当变量数随样本量增长到无穷大时，两种惩罚的变量选择一致性。我们表明，虽然套索只能一致地估计真实的网络在严格的假设下，自适应套索实现这一任务在温和的正则条件。所提出的方法的性能进行比较，替代方法在模拟，以及真实的，数据的例子。
2009-11-28 math.ST stat.ME stat.ML
Matrix Graphical Model Via Joint Estimation of Partial Correlations
Sungshin Women’s University（诚信女子大学）
针对矩阵图形模型中现有回归方法导致图不对称且调参困难的问题，提出统一优化框架下联合估计所有偏相关的方法，保持对称性并提升图恢复性能，且成功应用于肺结核蛋白质网络分析。
2026-09-18 stat.ME
Targeted Fused Ridge Estimation of Inverse Covariance Matrices from Multiple High-Dimensional Data Classes
本文研究了由不同类别的高维数据联合估计多个逆协方差阵的问题。采用$\ell_2$惩罚的极大似然方法。建议的方法是灵活的和通用的，将其他几个$\ell_2$惩罚估计作为特殊情况。此外，该方法允许指定的目标矩阵，通过先验知识可以被纳入，并可以稳定的估计过程中的高维设置。其结果是一个有针对性的融合脊估计，是有用的，当精度矩阵的组成类被认为主要是共享相同的结构，而潜在的不同，在一些感兴趣的位置。它在（多）因子研究设计中有许多应用。我们专注于精度矩阵的图形解释与建议的估计，然后作为综合或荟萃分析高斯图形建模的基础。被认为是由数据集和疾病亚型定义的类别的情况。通过大量的模拟实验，在图形化建模设置所提出的估计的性能进行评估。通过对12个弥漫性大B细胞淋巴瘤亚型的大规模基因表达数据集的差分网络建模，说明了其实际可用性。估计器及其相关程序被纳入R-包rags 2 ridges。
2020-03-26 q-bio.MN stat.ME stat.ML
Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data
针对多元时间序列的稀疏高斯图建模问题，提出结合隐藏离散自回归过程、图马蹄形先验和累积收缩先验的贝叶斯方法，可估计状态数与滞后数，经模拟验证性能，还能用于基于fMRI数据的动态脑连接估计。
2025-08-19 stat.ME
Identification of oscillatory brain networks with Hidden Gaussian Graphical Spectral models of EEG/MEG
针对 EEG/MEG 逆问题中功能网络模型设定错误导致的连接估计偏差，提出贝叶斯 HIGGS 模型识别振荡脑网络，并在模拟与猕猴同步 EEG/ECoG 实验中显著优于现有方法。
2022-10-25 q-bio.NC stat.ME
Robust penalized least squares of depth trimmed residuals regression for high-dimensional data
Michigan State University（密歇根州立大学）
针对高维数据中异常值易使惩罚回归崩溃的问题，提出基于深度截断残差最小平方和的稳健惩罚回归方法，实验证明其在估计和预测精度上优于现有方法。
2023-09-04 cs.LG stat.ME stat.ML
Censored Graphical Horseshoe: Bayesian sparse precision matrix estimation with censored and missing data
Norwegian Institute of Public Health（挪威公共卫生研究所）；Indian Institute of Management Indore（印度管理学院印多尔分校）
本文提出CGHS方法，用于处理截断和缺失数据的贝叶斯稀疏精度矩阵估计，通过引入潜在变量和自适应收缩先验，提高估计精度。
2026-01-10 math.ST stat.CO stat.ME
Shrinkage Tuning Parameter Selection in Precision Matrices Estimation
最近的文献提供了许多计算和建模方法的协方差阵估计的惩罚高斯图模型，但相对较少的研究已经进行了调整参数的选择。本文试图通过关注使用惩罚似然方法估计稀疏精度矩阵时的收缩参数选择问题来填补这一空白。在这方面，以前的方法通常使用K折交叉验证。在本文中，我们首先推导出的广义近似交叉验证调整参数的选择，这不仅是一个更有效的计算替代，但也实现了更小的误差率模型拟合相比，留一交叉验证。为了在精度矩阵中选择非零项的一致性，我们采用了贝叶斯信息准则，该准则可证明地可以识别高斯模型中的非零条件相关性。我们的模拟表明，这两个建议的选择器相比，留一交叉验证，十倍交叉验证和赤池信息准则的一般优越性。
2009-09-07 stat.ME
High-Dimensional Joint Estimation of Multiple Directed Gaussian Graphical Models
我们考虑的问题，联合估计多个相关的有向无圈图（DAG）模型的基础上，从每个图的高维数据。这个问题的动机是基于来自不同组织、发育阶段或疾病状态的基因表达数据来学习基因调控网络的任务。我们证明了在一定的正则性条件下，所提出的$\ell_0$ -惩罚极大似然估计在Frobenius范数下收敛于与数据生成分布一致的邻接矩阵，并且具有正确的稀疏性.特别是，我们表明，这种联合估计过程导致更快的收敛速度比估计每个DAG模型分别。作为一个推论，我们还获得了高维一致性的结果，从混合的观察和干预数据的因果推断。出于实用的目的，我们提出了\emph{jointGES}组成的贪婪等价搜索（GES），以估计所有DAG模型的联合，然后使用套索变量选择，以获得不同的DAG，我们分析了它的一致性保证。所提出的方法是通过模拟数据以及上皮性卵巢癌基因表达数据的分析。
2020-06-27 math.ST stat.ME stat.TH
The graphical structure of respondent-driven sampling
响应者驱动抽样（RDS）是一种连锁推荐方法，用于通过其社交网络对隐藏或难以接触的人群（如性工作者，无家可归者或吸毒者）进行抽样。大多数关于RDS的方法学工作都集中在假设受试者的网络度决定其被抽样的概率的情况下对总体均值的推断。对现有估计量的批评通常集中在缺失数据上：底层网络只被部分观测到，因此很难确定正确的采样概率。在本文中，我们表明，在普通RDS研究中收集的数据包含的信息，受访者的社会网络的结构。我们构建了一个连续时间的RDS招聘模型，其中包括招聘事件的时间序列，优惠券的使用模式，和网络度的抽样对象。观察到的数据和招聘模型一起在被调查者的招聘诱导子图上放置了一个定义明确的概率分布。我们表明，这种分布可以被解释为一个指数随机图模型，并开发一个计算效率高的方法来估计隐藏图。我们使用模拟数据验证方法，并将该技术应用于俄罗斯圣彼得堡注射吸毒者的RDS研究。
2015-07-31 stat.ME
Autoregressive Asymmetric Linear Gaussian Hidden Markov Models
Universidad Politécnica de Madrid（马德里理工大学）；Aingura IIoT（Aingura工业物联网公司）
本文提出一种带非对称自回归成分的隐马尔可夫模型，能自适应选择自回归阶数以最大化惩罚似然，并适配推理、解码与学习，实验验证其有效性。
2020-10-27 cs.LG stat.AP stat.ME
Entropy Adjusted Graphical Lasso for Sparse Precision Matrix Estimation
本文针对高维稀疏精度矩阵估计中传统收缩惩罚未显式处理不确定性的问题，提出在 Graphical Lasso 中加入对数行列式惩罚的熵调整方法，并在模拟与真实数据上验证其指标优势。
2025-01-09 stat.CO stat.ME
Tensor Graphical Model: Non-convex Optimization and Statistical Inference
我们考虑的估计和推理的图形模型，其特征在于高维张量值数据的依赖结构。为了便于估计与张量的每种方式相对应的精度矩阵，我们假设数据服从张量正态分布，其协方差具有Kronecker乘积结构。在这个模型的估计和推理的一个关键挑战是，它的惩罚极大似然估计涉及最小化非凸目标函数的事实。为了解决这个问题，本文做了两个贡献：（i）尽管这个估计问题的非凸性，我们证明了交替最小化算法，迭代估计每个稀疏精度矩阵，同时固定其他，达到一个最佳的统计收敛速度的估计。(ii)我们提出了一个去偏的统计推断程序来测试的真实支持的稀疏精度矩阵的假设，并采用它来测试越来越多的假设与错误发现率（FDR）的控制。建立了检验统计量的渐近正态性和FDR控制程序的一致性。我们的理论结果得到了全面的数值研究的支持，我们在自闭症谱系障碍的神经成像研究和用户广告点击分析方面的实际应用带来了新的科学发现和商业见解。所提出的方法被编码到一个公开可用的R包Tlasso。
2019-02-25 stat.ME stat.ML
Robust causal structure learning with some hidden variables
我们引入了一种新的方法来估计马尔可夫等价类的有向无环图（DAG）的隐变量的存在下，在设置中的底层DAG之间的观测变量是稀疏的，有一些隐变量，有直接影响许多观测的。建立在所谓的低秩加稀疏框架，我们建议一个两阶段的方法，首先删除的隐变量的影响，然后估计的马尔可夫等价类的基础DAG的假设下，没有剩余的隐变量。这种方法是一致的，在某些高维制度，并表现良好的状态相比，最先进的，无论是在图形结构恢复和总的因果效应估计。
2018-08-04 stat.ME
Student Copula Markov Networks
School of Statistics and Actuarial Science, University of the Witwatersrand（统计学与精算科学学院，威特沃特斯兰德大学）；Department of Mathematics, Alioune Diop University of Bambey（数学系，班贝阿里乌恩·迪奥普大学）
本文针对非高斯数据，基于Copula密度建立无向概率图模型的pairwise Markov性质表征，推导学生Copula马尔可夫网络的必要条件，提出ECM算法并通过模拟验证其参数估计与图结构恢复的有效性。
2026-10-15 cs.LG stat.ME stat.ML
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架，非对称处理时空信息以拓展双稳健估计，经临床场景模拟验证，可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
Joint Estimation and Inference for Data Integration Problems based on Multiple Multi-layered Gaussian Graphical Models
高通量技术的快速发展已经使得能够从生物或疾病过程生成跨越多个层的数据，如基因组学、蛋白质组学或代谢组学数据，并且进一步涉及多个来源，如疾病亚型或实验条件。在这项工作中，我们提出了一个通用的统计框架的基础上高斯图形模型的水平（即跨条件或亚型）和垂直（即跨不同的层包含数据的分子室）整合信息在这样的数据集。我们首先将多层问题分解为一系列两层问题。对于每个两层问题，我们将下层节点的结果建模为依赖于该层中其他节点以及上层中所有节点的结果。我们使用邻域选择和组惩罚回归的组合来获得所有模型参数的稀疏估计。在此之后，我们开发了一个去偏置技术和渐近分布的层间有向边权重，利用已经计算的邻域选择系数的节点在上层。随后，我们建立全球和同时测试这些边的权重的程序。所提出的方法的性能进行评估的合成和真实的数据。
2022-01-21 math.ST stat.ME stat.ML
Convergence Properties of Kronecker Graphical Lasso Algorithms
本文研究了独立同分布协方差估计的Kronecker图套索算法的迭代收敛性。稀疏Kronecker乘积协方差模型下的高斯随机样本及均方误差收敛速度。KGlasso模型，最初被Allen称为转置正则化协方差模型[“Transposable regularized covariance models with an application to缺失数据imputation，”Ann. Appl. Statist.，第4卷，第2期，第100页。764-790，2010]，在每个Kronecker因子上实现一对$\ell_1$惩罚以在协方差估计器中强制稀疏性。KGlasso算法推广了由Yuan和Lin [”模型选择和高斯图形模型中的估计”，Biometrika，第94卷，第100页]引入的Glasso。19-35，2007]和Banerjee [”模型选择through sparse极大似然估计for multivariate Gaussian or binary data，”J. Mach.学习.结果：第9卷，第100页。485-516，2008年3月]，以估计具有Kronecker乘积形式的协方差。它还推广了Dutilleul的未惩罚ML触发器（FF）算法[“The MLE algorithm for the matrix正态分布，”J. Statist. Comput.同时，第64卷，…
2013-11-01 stat.ME stat.ML
Spike-and-Slab Meets LASSO: A Review of the Spike-and-Slab LASSO
在过去的几十年中，高维数据集已经变得无处不在，通常具有比观测值更多的协变量。在频率论环境中，惩罚似然方法是高维数据中变量选择和估计的最流行方法。在贝叶斯框架中，尖峰和厚板方法通常用作高维建模的概率构造。在线性回归的背景下，Rockova和George（2018）引入了尖峰和平板LASSO（SSL），这是一种基于先验的方法，它提供了惩罚似然LASSO和贝叶斯点质量尖峰和平板公式之间的连续性。自成立以来，钉板LASSO已扩展到各种环境，包括广义线性模型、因子分析、图形模型和非参数回归。本文的目的是调查周围的景观钉和板LASSO方法。首先，我们阐明了吸引力的性质和计算的易处理性的SSL先验在高维。然后，我们回顾SSL的方法发展，并概述了几个理论发展。我们说明了模拟和真实数据集的方法。
2021-05-08 stat.ME
Robust Iterative Learning Hidden Quantum Markov Models
Department of Statistics, Texas A&M University（统计系，德克萨斯农工大学）
针对隐量子马尔可夫模型学习对数据损坏敏感的问题，提出对抗性损坏HQMM形式化鲁棒性，并设计无导数鲁棒迭代学习算法RILA，集成熵过滤与随机重采样，在多个基准上展现更优的收敛稳定性和抗损坏能力。
2025-10-27 cs.LG quant-ph stat.CO
