Robust Lasso-Zero for sparse corruption and model selection with missing covariates
我们提出了鲁棒Lasso零，扩展的Lasso零方法，最初介绍了稀疏线性模型，稀疏腐败问题。我们给出了一个稍微简化的版本的估计，被称为judgeholded正义追求的参数的符号恢复理论保证。稳健Lasso-Zero用于协变量中缺失值的变量选择。除了不需要为协变量指定模型，也不需要估计它们的协方差阵或噪声方差之外，该方法具有处理非随机缺失值而不指定参数模型的巨大优势。数值实验和医学应用强调了鲁棒拉索零在这样的背景下，几乎没有可用的竞争对手的相关性。该方法易于使用，并在R库lass 0中实现。
2022-03-23 stat.AP stat.ME stat.ML
Covariate Regularized Community Detection in Sparse Graphs
在本文中，我们研究社区检测网络中存在的节点协变量。在许多情况下，协变量和网络单独只给出了集群结构的部分视图。需要通过考虑两者来联合推断完整的集群结构。在统计学中，一个新兴的工作机构一直专注于结合网络中的边缘和节点协变量的信息来推断社区成员资格。然而，到目前为止，理论上的保证已经建立在密集的制度，网络可以导致完美的聚类下，一个广泛的参数制度，因此协变量的作用往往是不清楚的。在本文中，我们研究稀疏网络与有限维亚高斯混合作为协变量在适度的分离条件下。在这种设置下，每个单独的源只能正确地聚类节点的非零部分。我们提出了一个简单的优化框架，可证明提高聚类精度时，两个源进行部分信息的集群成员资格，因此自己表现不佳。我们的优化问题可以使用可扩展的凸优化算法来解决。使用各种模拟和真实数据的例子，我们表明，所提出的方法优于其他现有的方法。
2018-04-25 stat.ME stat.ML
Covariate Assisted Entity Ranking with Sparse Intrinsic Scores
本文扩展 BTL 模型以处理协变量无法完全解释且内在分数稀疏的实体排序问题，给出可识别条件、惩罚 MLE 速率、去偏推断、拟合优度检验与排名置信区间。
2024-07-09 math.ST stat.ME stat.ML
Sample-Efficient L0-L2 Constrained Structure Learning of Sparse Ising Models
Vicarious AI
考虑了从$n$ i.i.d.学习具有$p$节点的稀疏伊辛模型的基础图的问题。样品最新和最好的方法结合了经验损失（逻辑斯谛回归损失或相互作用筛选损失）与正则化（L1罚分或L1约束）。这导致了一个凸问题，可以为图的每个节点单独解决。在这项工作中，我们利用基数约束L0范数，这是已知的适当诱导稀疏性，并进一步将其与L2范数结合起来，以更好地模拟非零系数。我们表明，我们提出的估计实现了改进的样本复杂性，（a）理论上，达到新的国家的最先进的上限恢复保证，和（b）经验上，通过显示更尖锐的相变之间的穷人和完全恢复的图拓扑结构在文献中研究，当比较他们的L1为基础的国家的最先进的方法。
2021-09-15 cs.LG stat.ML
Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates
Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy（海军、电子、电子与电信工程系，热那亚大学，意大利）
本文提出一种概率预测框架，利用稀疏卫星数据和天气协变量进行田间NDVI预测，通过融合历史和未来数据实现多步分位数预测，实验表明优于传统和深度学习方法。
2026-06-26 cs.CV cs.LG stat.ML
Convergence Rates of Biased Stochastic Optimization for Learning Sparse Ising Models
Stony Brook University（石溪大学）
我们研究了精确（NP-困难）目标的随机优化的收敛速度，其中只有有偏估计的梯度。我们激励这个问题的背景下学习的伊辛模型的结构和参数。首先，我们提供了一个收敛速度分析的确定性错误的前向-后向分裂（FBS）。然后，我们扩展我们的分析有偏随机误差，首先表征一个家庭的采样器，并提供一个高概率的界限，不仅允许理解FBS，但也近端梯度（PG）的方法。我们得出一些有趣的结论：FBS只需要一个grammically增加随机样本的数量，以收敛（虽然在一个非常低的速度）;所需的随机样本的数量是相同的确定性和有偏随机设置FBS和基本PG;加速PG不能保证收敛于有偏随机设置。
2012-06-18 cs.LG stat.ML
Joint estimation of sparse multivariate regression and conditional graphical models
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
多元回归模型是对经典的一元回归模型的自然推广，用于拟合多个响应.在本文中，我们提出了一个高维多元条件回归模型，用于构造多元回归系数矩阵的稀疏估计，该矩阵考虑了多个响应之间的依赖结构。所提出的方法分解成一系列的惩罚条件对数似然的协变量和其他响应的条件下的每个响应的多元回归问题。它允许同时估计稀疏回归系数矩阵和稀疏逆协方差阵。针对协变量的发散维度和响应数量建立了渐进选择一致性和正态性。所提出的方法的有效性也证明了在各种模拟的例子，以及应用程序的多形性胶质母细胞瘤癌症数据。
2013-06-19 cs.LG stat.ML
Missing Data in Sparse Transition Matrix Estimation for Sub-Gaussian Vector Autoregressive Processes
Wisconsin Institute for Discovery（威斯康星发现研究所）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
高维时间序列数据存在于金融、基因组学、医疗保健和神经科学等众多领域。所有这些数据集的一个不可避免的方面是缺失数据，处理这个问题一直是统计，控制和机器学习的重要焦点。在这项工作中，我们考虑了一个高维估计问题，其中一个动力系统，由一个稳定的向量自回归模型，是随机的，只有部分观察到在每个时间点。我们的任务相当于估计的转移矩阵，这是假设是稀疏的。在这种情况下，协变量高度相互依赖且部分缺失，新的理论挑战出现了。虽然向量自回归模型中的转移矩阵估计以前已经研究过，但缺失数据的情况需要单独的努力。此外，虽然转移矩阵估计可以从高维稀疏线性回归的角度进行研究，但协变量是高度依赖的，并且现有的结果都是在i.i.d.~的缺失数据的正则化估计上。协变量不适用。我们分析的核心在于：1）当新息噪声满足凸集中性质时，一个新的集中结果，以及2）一个新的量，用于表征时变观测过程与底层动力系统的相互作用。
2018-02-26 cs.LG stat.ML
Estimation of sparse linear regression coefficients under $L$-subexponential covariates
针对$L$-次指数协变量，提出用$\ell_1$惩罚的Huber回归获得与高斯情形相同的稀疏系数估计误差界，无需更强条件，揭示该方法新特性。
2024-02-06 math.ST stat.ML stat.TH
Sharp Convergence Rates for Forward Regression in High-Dimensional Sparse Linear Models
前向回归是一种统计模型选择和估计程序，其归纳选择将预测能力添加到工作统计回归模型中的协变量。一旦选择了一个模型，未知的回归参数估计最小二乘。本文分析了高维稀疏线性模型中的前向回归问题。证明了预测误差范数和所选协变量个数的概率界。本文中的分析给出了尖锐的速率，并且不需要β-min或不可表示性条件。
2018-04-11 stat.ML
Lasso Universality Under Linearly Dependent Covariates in the Sparse Regime
University of California, San Diego（加州大学圣地亚哥分校）
本文研究线性相依协变量下的 Lasso 普适性问题，证明了稀疏 regime 中 Lasso 的高斯普适性定理，其相依结构比现有研究更广泛，数值示例验证了该结论。
2026-08-11 cs.IT math.IT math.ST
Nash: Neural Adaptive Shrinkage for Structured High-Dimensional Regression
Departments of Statistics and Human Genetics（统计学与人类遗传学系）
本文提出Nash框架，通过神经网络整合协变量特定的侧信息，实现高维稀疏回归，提升模型适应性和准确性。
2026-05-17 cs.LG stat.ML
Sparse Multi-Output Gaussian Processes for Medical Time Series Prediction
在实时监测医院患者的情况下，使用临床协变量和实验室测试中的所有信息对患者的健康状况进行高质量的推断，对于成功的医疗干预和改善患者预后至关重要。开发一个可以从观察性大规模电子健康记录（EHR）中学习并做出准确实时预测的计算框架是关键的一步。在这项工作中，我们开发和探索一个贝叶斯非参数模型的基础上，高斯过程（GP）回归医院病人监测。我们提出了MedGP，一个统计框架，结合了24个临床和实验室协变量，并支持丰富的参考数据集，从中可以推断出观察到的协变量之间的关系，并利用高质量的推断患者的状态随着时间的推移。为了做到这一点，我们开发了一个高度结构化的稀疏GP内核，以实现数万个时间点的易处理计算，同时估计临床协变量，患者和患者观察周期之间的相关性。MedGP具有优于当前方法的许多益处，包括（i）不需要时间序列数据的比对，（ii）量化预测中的置信区域，（iii）利用庞大且丰富的患者数据库，以及（iv）推断临床协变量之间的可解释关系。我们评估并比较了MedGP对来自8，043名患者的两个医疗数据集的三个患者亚组的在线预测任务的结果。我们发现MedGP改善了在线预测基线方法几乎所有的协变量在不同的疾病亚组和研究。可公开获得的代码位于https://github.com/bee-hive/MedGP。
2018-06-21 stat.ML
Ising Models with Latent Conditional Gaussian Variables
Friedrich-Schiller-Universität Jena（耶拿弗里德里希·席勒大学）
伊辛模型描述了二元特征变量向量的联合概率分布。通常情况下，并非所有的变量都相互作用，人们对学习相互作用变量的稀疏网络结构感兴趣。然而，在潜在变量的存在下，学习稀疏模型的传统方法可能会失败。这是因为潜变量引起了观测变量的间接相互作用。在只有几个潜在的条件高斯变量的情况下，这些虚假的相互作用有助于一个额外的低秩分量的观察到的伊辛模型的相互作用参数。因此，我们建议使用凸正则化似然问题来学习伊辛模型参数的稀疏+低秩分解。我们表明，同样的问题可以得到一个最大熵的问题与一种新类型的放松，其中样本的手段共同需要匹配的预期值只有一个给定的公差的对偶。凸优化问题的解决方案在高维环境中具有一致性，其中允许观察到的二进制变量的数量和潜在条件高斯变量的数量随着训练样本的数量而增长。
2019-07-08 cs.LG stat.ML
Regret Minimization and Statistical Inference in Online Decision Making with High-dimensional Covariates
Hong Kong University of Science and Technology（香港科技大学）；University of Pennsylvania（宾夕法尼亚大学）
本文研究高维在线决策的遗憾最小化与统计推断，结合ε-贪心算法与硬阈值估计并提出去偏推断框架，揭示探索-利用权衡，还证明无探索的纯贪心算法在特定条件下可同时实现最优遗憾与一致推断，且经实验验证有效。
2025-05-17 cs.LG stat.ML
Weighted Lasso Estimates for Sparse Logistic Regression: Non-asymptotic Properties with Measurement Error
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；Central China Normal University（华中师范大学）
当我们对高维系统感兴趣并关注分类性能时，$\ell_{1}$惩罚的逻辑斯谛回归变得越来越重要和流行。然而，当不同系数的惩罚都相同并且与数据无关时，Lasso估计可能会有问题。利用McDiarmid不等式给出了两类依赖于协变量的加权Lasso估计。在给定样本量$n$和协变量维数$p$的情况下，我们所提出的方法的有限样本行为由非渐近预言不等式（如$\ell_{1}$ -未知参数的估计误差和平方预测误差）来说明.我们在模拟数据上比较了我们的方法和以前的加权估计的性能，然后将这些方法应用于实际数据的分析。
2020-06-11 cs.LG stat.ML
Sparse Symmetric Tensor Regression for Functional Connectivity Analysis
Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计学系）
张量回归模型，如CP回归和Tucker回归，在神经影像学分析中有许多成功的应用，其中协变量是多维度的，具有复杂的空间结构。高维协变量数组，也称为张量，可以用低秩结构近似，并适合广义线性模型。由此产生的张量回归实现了显着的降维，同时保持有效的估计和预测。大脑功能连接是大脑活动的重要指标，并已显示出与阿尔茨海默病等神经系统疾病的显着关联。函数连通性的对称性是一个在以前的张量回归模型中尚未探索过的性质。在这项工作中，我们提出了一种稀疏对称张量回归，进一步减少了自由参数的数量，并在各种模拟设置下实现了优于对称和普通CP回归的性能。我们将所提出的方法应用于研究阿尔茨海默氏病（AD）和正常老化的伯克利老龄队列研究（BACS），并检测两个区域的兴趣，已被确定为重要的AD。
2020-10-28 cs.LG stat.ML
Lasso with Latents: Efficient Estimation, Covariate Rescaling, and Computational-Statistical Gaps
MIT（麻省理工学院）；University of Chicago（芝加哥大学）；UCLA（加利福尼亚大学洛杉矶分校）
本文针对协变量因潜在变量而强相关的稀疏线性回归问题，提出通过异质协变量缩放使 Lasso 恢复强估计保证，并证明所得算法在多项式时间算法类中最优，同时建立了高斯图模型学习的首个计算-统计差距。
2024-02-23 cs.CC cs.DS cs.LG
Modeling Cell Populations Measured By Flow Cytometry With Covariates Using Sparse Mixture of Regressions
海洋中充满了被称为浮游植物的微小藻类，它们共同负责的光合作用相当于陆地上所有植物的总和。我们预测它们对海洋变暖的反应的能力依赖于了解浮游植物种群的动态如何受到环境条件变化的影响。研究浮游植物动态的一种强大技术是流式细胞术，它每秒测量数千个细胞的光学特性。今天，海洋学家能够在移动的船上实时收集流式细胞术数据，为他们提供数千公里范围内浮游植物分布的精细分辨率。目前的挑战之一是了解这些小规模和大规模的变化与环境条件的关系，如营养物质的可用性，温度，光照和洋流。在本文中，我们提出了一种新的稀疏混合多元回归模型来估计随时间变化的浮游植物亚群，同时确定特定的环境协变量，预测观察到的变化，这些亚群。我们使用2017年春季在东北太平洋进行的海洋学巡航中收集的合成数据和真实观测结果来证明该方法的有用性和可解释性。
2022-08-03 stat.AP stat.ME stat.ML
A global approach for learning sparse Ising models
Istituto per le Applicazioni del Calcolo CNR（意大利国家研究委员会计算应用研究所）
我们考虑的问题，学习的链接参数以及结构的二进制值成对马尔可夫模型。在稀疏性假设下，我们提出了一种基于$l_1$ -正则化逻辑斯谛回归的方法，该方法全局估计整组边和链路参数。与文献中讨论的一次学习一个节点的边和相应的链路参数的最近的方法不同，在这项工作中，我们提出了一种方法，同时学习所有节点的所有边和相应的链路参数。这个提议背后的想法是在估计过程中利用节点之间的互逆信息。数值实验突出了这种技术的优势，并证实了它背后的直觉。
2020-02-26 cs.LG stat.ME stat.ML
Longitudinal Random Forests for Sparse and Irregular Response Trajectories
Department of Mathematics and Statistics, Binghamton University（数学与统计学系，宾夕法尼亚大学伯灵顿分校）；Department of Mathematics, Illinois State University（数学系，伊利诺伊州立大学）；Department of Biostatistics, The University of North Carolina at Chapel Hill（生物统计学系，北卡罗来纳大学教堂山分校）
针对纵向研究中稀疏不规则响应轨迹问题，提出纵向随机森林（LRF）框架，利用树集成学习与自适应节点级轨迹估计，有五项方法贡献，模拟显示其性能优越，能解决五个重要临床问题。
2026-07-27 cs.LG stat.ME stat.ML
Learning performance in inverse Ising problems with sparse teacher couplings
Laboratoire de Physique de l’Ecole Normale Supérieure（巴黎高等师范学院物理实验室）；Tokyo Institute of Technology（东京工业大学）；Kyoto University（京都大学）
我们研究了逆伊辛问题的伪李维最大化方法的学习性能。在教师-学生的情况下，教师的耦合是稀疏的，学生不知道的图形结构的假设下，学习曲线和序参量进行评估，在典型的情况下，使用副本和空腔方法从统计力学。我们的公式也适用于具有局部性的某类成本函数;标准似然不属于该类。导出的解析公式表明，教师的耦合的存在/不存在的完美的推断是可能的，在热力学极限采取的自旋数$N$为无穷大，同时保持数据集大小$M$成比例的$N$，只要$α=M/N > 2$。同时，公式还表明，教师真实存在的耦合值所对应的估计耦合值在绝对值上往往被高估，表现出估计偏差的存在。这些结果被认为是精确的热力学极限的局部树状网络，如定期随机或Erdens-Rényi图。数值模拟结果完全支持理论预测。另外还讨论了在循环图的估计偏差。
2020-05-02 cond-mat.dis-nn cs.LG stat.ML
Ensembled sparse-input hierarchical networks for high-dimensional datasets
神经网络在预测小样本量的高维数据方面的应用有限，因为它们往往过拟合，并且需要调整比现有的现成机器学习方法更多的超参数。通过对网络结构和训练过程的小修改，我们证明了密集神经网络可以成为这些设置中的实用数据分析工具。所提出的方法，平均稀疏输入分层网络（EASIER-net）的包围，适当修剪的网络结构，调整只有两个L1惩罚参数，一个控制输入的稀疏性，另一个控制隐藏层和节点的数量。如果不相关的协变量与响应仅弱相关，则该方法从真实支持中选择变量;否则，它表现出分组效应，其中强相关的协变量以相似的比率被选择。在一组不同大小的真实数据集上，EASIER-net以数据自适应的方式选择了网络架构，并平均实现了比现有方法更高的预测精度。
2020-05-11 cs.LG stat.ME stat.ML
Feature Adaptation for Sparse Linear Regression
MIT（麻省理工学院）；Stanford（斯坦福大学）；UCLA（加州大学洛杉矶分校）
本文针对相关随机设计下的稀疏线性回归，提出一种多项式时间的特征自适应算法，通过自动调整Lasso以容忍少量近似依赖关系，在常数稀疏度和少量离群特征值条件下实现接近最优的样本复杂度，并首次对任意协方差情形给出优于暴力搜索的多项式因子改进。
2023-05-26 cs.DS cs.LG math.ST
Estimating and Explaining Model Performance When Both Covariates and Labels Shift
Stanford University（斯坦福大学）
部署的机器学习（ML）模型经常遇到与其训练数据不同的新用户数据。因此，估计给定模型在新数据上的表现是迈向可靠ML应用的重要一步。然而，这是非常具有挑战性的，因为数据分布可以以灵活的方式变化，并且我们可能没有新数据上的任何标签，这在监控设置中经常发生。在本文中，我们提出了一个新的分布移位模型，稀疏联合移位（SJS），它考虑了两个标签和一些特征的联合移位。这统一和推广了几个现有的移位模型，包括标签移位和稀疏协变量移位，其中只考虑边缘特征或标签分布移位。我们描述的数学条件下，SJS是可识别的。我们进一步提出了SEES，一个算法框架来描述SJS下的分布偏移，并在没有任何标签的情况下估计模型在新数据上的性能。我们在几个真实世界的数据集上进行了大量的实验，使用了各种ML模型。在不同的数据集和分布偏移，SEES实现了显着的（高达一个数量级）偏移估计误差的改善，超过现有的方法。
2022-09-18 cs.AI cs.LG stat.AP
On the Power of Preconditioning in Sparse Linear Regression
MIT（麻省理工学院）；UCLA（加州大学洛杉矶分校）
稀疏线性回归是高维统计学中的一个基本问题，但如何在不对设计矩阵施加限制条件的情况下有效地解决它却知之甚少。我们考虑（相关）随机设计设置，其中协变量独立地从具有$Σ: n \times n$的多变量高斯$N(0,Σ)$中提取，并寻求最小化$(\hat{w}-w^*)^TΣ(\hat{w}-w^*)$的估计量$\hat{w}$，其中$w^*$是$k$ -稀疏地面真值。理论上，对于任意$Σ$和$w^*$，可以用$O(k \log n)$样本实现强误差界;然而，即使用$o(n)$样本，在没有对$Σ$或$w^*$的进一步假设的情况下，也没有已知的有效算法来匹配这些保证。至于硬度，计算下限仅与最坏情况的设计矩阵。已知随机设计实例对于Lasso来说是困难的，但这些实例通常可以在简单的基变化（即预处理）之后由Lasso解决。在这项工作中，我们给出了上界和下界澄清稀疏线性回归中的预处理的力量。首先，我们表明，预处理的Lasso可以解决一大类稀疏线性回归问题的近最优：它成功的协变量的依赖结构，在这个意义上的马尔可夫性质，具有低树宽-即使PDMATHAMT是高度病态的。其次，我们构造（第一次）随机设计的情况下，这是证明困难的最佳预处理的套索。事实上，我们完成了我们的树宽分类证明，对于任何树宽$t$图，存在一个高斯马尔可夫随机场在这个图上，这样的预处理拉索，与任何选择的预处理器，需要$Ω(t^{1/20}…
2021-06-17 cs.DS cs.LG math.ST
Many Experiments, Few Repetitions, Unpaired Data, and Sparse Effects: Is Causal Inference Possible?
Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系）；Department of Statistics, UC Berkeley（伯克利大学统计系）；German Center for Neurodegenerative Diseases (DZNE) & University of Bonn（德国神经退行性疾病研究中心（DZNE）及波恩大学）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）
本文提出了一种在不配对数据和稀疏因果效应下，通过GMM型估计量和ℓ1正则化方法估计因果效应的统计方法。
2026-01-21 cs.AI cs.LG stat.ML
Safe Feature Pruning for Sparse High-Order Interaction Models
考虑协变量之间的高阶交互作用在许多实际回归问题中是有价值的。然而，这是一项计算上具有挑战性的任务，因为要考虑的高阶相互作用特征的数量将非常大，除非协变量的数量足够小。在本文中，我们提出了一种新的高效算法LASSO为基础的稀疏学习的高阶相互作用模型。我们的基本策略，减少功能的数量是采用最近提出的安全功能筛选（SFS）规则的想法。SFS规则有一个属性，如果一个特征满足该规则，那么该特征在LASSO解决方案中保证是非活动的，这意味着它可以在LASSO训练过程之前被安全地筛选出来。如果在训练LASSO之前可以筛选出大量的特征，则可以显着降低计算成本和内存需求。然而，将这样的SFS规则应用于极其大量的高阶相互作用特征中的每一个在计算上是不可行的。我们解决这个计算问题的关键思想是利用底层的树结构之间的高阶相互作用的功能。具体来说，我们引入了一个修剪条件，称为安全功能修剪（SFP）规则，它具有的属性，如果该规则是满足在树的某个节点，那么所有的高阶交互功能对应于它的后代节点可以保证是非活动的最优解。我们的算法是非常有效的，使其有可能工作，例如，具有10，000个原始协变量的三阶交互作用，其中可能的高阶交互作用特征的数量大于10^{12}。
2015-06-26 stat.ML
High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
从观察数据中估计因果处理效应是因果推断中的一个基本问题。为了避免偏倚，效应估计量必须控制所有混杂因素。因此，从业者经常收集尽可能多的协变量的数据，以提高包括相关混杂因素的机会。虽然这解决了偏差问题，但由于维数增加，这会显著增加准确估计效果所需的数据样本数量。在这项工作中，我们考虑的设置中，大量的协变量$X$，满足强可重复性，一个未知的稀疏子集$S$是足以包括实现零偏差，即$c$ -相当于$X$。我们提出了一个共同的目标函数，涉及治疗队列的结果与非凸联合稀疏正则化，保证恢复$S$与高概率下的线性结果模型$Y$和亚高斯协变量的每个治疗队列。这提高了效果估计样本复杂度，使得其与稀疏子集$S$和$\log |X|$的基数成比例，而不是与全集$X$的基数成比例。我们验证了我们的方法与实验上的处理效应估计。
2020-11-03 cs.LG stat.ME stat.ML
A Novel Approach to Sparse Inverse Covariance Estimation Using Transform Domain Updates and Exponentially Adaptive Thresholding
Advanced Communications Research Institute (ACRI)（高级通信研究所（ACRI））；Sharif University of Technology（谢里夫理工大学）
稀疏逆协方差估计（SICE）在许多实际数据分析中是有用的。恢复协变量的连通性、非连通性图是数据采掘和学习中最重要的问题之一。在本文中，我们介绍了一种新的SICE方法，使用自适应阈值。我们的方法是基于所需矩阵的变换域中的更新和主域（逆协方差矩阵域）中的指数衰减自适应阈值。除了所提出的算法，收敛性分析也提供。在数值实验部分中，我们证明了所提出的方法在精度方面优于最先进的方法。
2019-04-04 cs.IR cs.LG stat.ML
Bayesian community detection for networks with covariates
本文提出一种带有依赖协变量随机划分先验的贝叶斯随机块模型，用于密集和稀疏网络的社区检测，能通过后验推断自动学习社区数量并优于现有方法。
2023-04-06 cs.SI stat.CO stat.ME
