On the Post Selection Inference constant under Restricted Isometry Properties
回归中模型选择后的一致有效置信区间可基于选择后推断（PoSI）常数构建。PoSI常数对于正交设计矩阵是最小的，并且对于通用设计矩阵，PoSI常数可以在所考虑的模型集的稀疏度的函数中上界。为了改善这些通用的稀疏上界，我们认为设计矩阵满足限制等距属性（RIP）的条件。我们提供了一个新的上界的PoSI常数在此设置。该上界是设计矩阵的RIP常数的显式函数，从而给出正交设置和通用稀疏设置之间的插值。通过构造一个匹配的下界，我们证明了这个上界在许多情况下是渐近最优的。
2018-11-22 math.ST stat.TH
High Dimensional Statistical Inference and Random Matrices
多变量统计分析涉及对几个变量的观察，这些变量被认为具有某种程度的相互依赖性。在遗传学和社会科学问题的推动下，它在上个世纪上半叶首次开花。随后，随机矩阵理论（RMT）发展起来，最初在物理学中，最近在数学中广泛应用。虽然RMT的一些中心研究对象与多元统计学的研究对象相同，但统计理论在利用这种联系方面进展缓慢。然而，随着大量数据的收集越来越普遍，数据集现在通常具有与观察到的个体数量一样多或更多的变量。在这种情况下，RMT的技术和结果有很多提供多元统计。本文回顾了迄今为止取得的一些进展。
2006-11-19 math.PR math.ST stat.TH
Network inference and community detection, based on covariance matrices, correlations and test statistics from arbitrary distributions
在本文中，我们提出的方法推断二进制值邻接矩阵的各种措施之间的关联对网络节点，或更一般的变量对的强度。这种关联强度可以通过样本协方差和相关矩阵来量化，更一般地，可以通过来自任意分布的检验统计量和假设检验p值来量化。社区检测方法，如块建模，通常需要二进制值邻接矩阵作为起点。因此，我们提出的方法的一个主要动机是从变量之间的关联强度的成对测量中获得二进制值邻接矩阵。所提出的方法适用于大型高维数据集，是基于计算效率的算法。我们说明了它的效用在一系列的背景和数据集。
2016-05-13 stat.AP
Statistical inference for discretely sampled stochastic functional differential equations with small noise
研究了带小噪声的多维随机时滞方程漂移和扩散系数的参数估计问题。延迟结构被写为相对于延迟测量的积分形式。我们的对比度函数是基于局部高斯近似的转移概率密度的过程。当离差系数趋于零时，样本量趋于无穷大时，我们证明了最小对比度估计的相合性和渐近正态性。
2023-03-20 math.ST stat.TH
Statistical inference for misspecified ergodic Lévy driven stochastic differential equation models
研究了基于高频样本的误指定遍历Lévy驱动随机微分方程模型的估计问题。我们利用广泛适用的和易于处理的高斯拟似然方法，专注于（条件）均值和方差结构。证明了漂移和尺度参数的相应高斯拟似然估计满足尾概率估计和渐近正态性，其速度与正确指定情形相同.在这一过程中，时齐FellerMarkov过程的扩展泊松方程在处理误设定效应方面起着重要的作用。我们的结果证实了高斯拟似然方法的实用性，更坚定地为非线性模型。
2018-07-10 math.ST stat.TH
On Statistical Inference for High-Dimensional Binary Time Series
University of California San Diego（加利福尼亚大学圣地亚哥分校）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种用于高维二元时间序列的后选择估计器及二阶野 Bootstrap 算法，以实现对系数矩阵的统计推断，并验证了其良好的有限样本性能。
2025-12-02 math.ST stat.AP stat.ME
Probabilistic cellular automata with local transition matrices: synchronization, ergodicity, and inference
本文提出一类可展现同步与遍历性的概率元胞自动机，给出局部转移矩阵的充要条件，并设计最小二乘估计器从多种数据推断该矩阵，证明渐近正态性并提供非渐近精度界。
2025-05-22 math.PR math.ST stat.TH
Statistical eigen-inference from large Wishart matrices
我们考虑的设置，其中的观察是从一个零均值的多元（实或复）正态分布与人口协方差阵具有任意多重特征值。我们假设总体协方差阵的特征向量是未知的，并且专注于仅基于样本特征值的推断过程（即，“特征推断”）。文献中的结果建立了样本协方差阵的幂迹波动的渐近正态性。我们开发具体的算法，分析计算的极限量和波动的协方差。我们利用样本协方差阵的幂迹的渐近正态性来开发基于特征值的检验和估计程序。具体而言，我们制定了一个简单的测试的假设的人口特征值和技术，用于估计人口特征值的设置中的累积分布函数的（非随机）人口特征值具有阶梯结构。蒙特卡罗模拟被用来证明所提出的方法的优越性，在高维，（相对）小的样本量设置的经典技术和鲁棒性的建议的技术。改进的性能结果的事实，即建议的推理程序是“全球性的”（在某种意义上，我们描述），并利用“全球性”的信息，从而克服固有的偏见，削弱经典的推理程序是“本地”，并依赖于“本地”的信息。
2009-01-21 math.ST stat.TH
Model-based Differentially Private Data Synthesis and Statistical Inference in Multiply Synthetic Differentially Private Data
我们提出了基于模型的差分私有合成（modips）的方法在贝叶斯框架中释放个人级的代理/合成数据集的隐私保证给定的原始数据。modips技术将差分隐私的概念集成到基于模型的数据合成中。我们介绍了几个变种的一般modips方法和不同的程序来获得隐私保护后验样本，modips的关键步骤。通过发布多个合成数据集，可以解释MODIPS中消毒和合成过程的不确定性，并通过本文提出的推理组合规则进行量化。我们进行了实证研究，研究合成集的数量和隐私预算分配方案对基于合成数据的推断的影响。
2021-04-26 stat.ME
Differentially Private Federated Learning: Servers Trustworthiness, Estimation, and Statistical Inference
Rutgers University（罗格斯大学）
本文研究了差分隐私联邦学习中的高维估计与推断挑战，分别在不可信和可信中央服务器场景下证明了估计困难并提出了针对线性回归的新型联邦估计算法及统计推断方法。
2024-04-25 cs.CR cs.LG math.ST
Online Local Differential Private Quantile Inference via Self-normalization
本文提出一种基于二元查询和自归一化的在线局部差分隐私分位数估计算法，无需估计冗余参数即可获得紧致置信区间，并证明其最优性。
2023-08-07 stat.ME
Hypothesis testing on invariant subspaces of non-diagonalizable matrices with applications to network statistics
本文推广特征向量推断至非对角化矩阵的不变子空间，提出Wald和t检验，并应用于有向网络统计，发现考虑不确定性可改变节点排名结论。
2025-10-10 econ.EM math.ST stat.ML
Inference for High-Dimensional Sparse Spectral Precision Matrices
Cornell University（康奈尔大学）；University of Alabama（阿拉巴马大学）
针对平稳高维时间序列，提出基于相邻离散傅里叶变换全似然的稀疏谱精度矩阵推断框架，通过去偏复图形套索估计器实现频率特定条件依赖的检验，并控制正则化、截断和平滑偏差。
2026-08-14 stat.ME stat.ML
Multivariate Gaussian Random Fields Using Systems of Stochastic Partial Differential Equations
本文介绍了一种利用随机偏微分方程组构造\emph{multivariate}高斯随机场（GRF）的新方法，并将其应用于模拟数据和实际数据。通过求解SPDE系统，我们可以构造多元GRF。在理论上，由于该方法构造的协方差阵是对称正定的，因此满足了GRF协方差矩阵非负定的要求。利用随机偏微分方程组的近似随机弱解，将多元GRF表示为具有稀疏精度矩阵的多元高斯\emph{Markov}随机场（GMRF）。因此，在计算方面，稀疏结构使得可以使用稀疏矩阵的数值算法来从随机场和统计推断进行快速采样。因此，这些模型的\emph{big-n}问题也可以部分解决。这些模型在常用的真实数据集上表现出现有的多变量GRF模型。
2013-07-05 stat.ME
simode: R Package for statistical inference of ordinary differential equations using separable integral-matching
在本文中，我们描述simode：分离积分匹配常微分方程。该软件包中应用的统计方法学侧重于积分匹配准则函数的几个最小化程序，利用微分方程的数学结构，如方程参数的可分离性。将积分方法应用于常微分方程的参数估计，与基于导数的方法相比，可以得到更精确、更稳定的结果。线性特征，如可分性，以简化优化和推理。我们证明了使用各种系统的常微分方程的包的功能。
2018-10-08 stat.CO
Covariate-Adjusted Inference for Differential Analysis of High-Dimensional Networks
对应于疾病状况的生物网络之间的差异可以帮助描述潜在的疾病机制。现有的差分网络分析方法没有考虑网络对协变量的依赖性。因此，这些方法可以检测由协变量对疾病状况和网络的影响引起的虚假差分连接。为了解决这个问题，我们提出了一个通用的协变量调整测试差分网络分析。我们的方法通过测试原假设来评估差分网络连接性，即对于具有相同协变量且仅疾病状态不同的个体，网络是相同的。我们在一项模拟研究中实证表明，与不考虑协变量的朴素假设检验程序相比，协变量调整检验具有改进的第一类错误控制。我们还表明，有设置中，我们提出的方法提供了改进的功率来检测差分连接。我们说明了我们的方法，将其应用于检测乳腺癌基因共表达网络的亚型的差异。
2021-05-17 stat.ME
Likelihood-Based Inference with Separable Correlation Matrices
University of Florida（佛罗里达大学）
本文提出了一种在响应相关矩阵可分离（即具有Kronecker乘积结构但方差无限制）情况下多变量线性回归的似然推断方法，通过块坐标上升算法实现高效收敛，显著提升计算效率并保证参数可识别性。
2026-04-14 stat.CO
Simultaneous Inference for Covariance and Precision Matrices of Long-Range Dependent Time Series
Booth School of Business, The University of Chicago（芝加哥大学布斯商学院）；Marshall School of Business, University of Southern California（南加州大学马歇尔商学院）；Department of Statistics and Data Science, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学统计与数据科学系）；Department of Statistics, The University of Chicago（芝加哥大学统计学系）
本文提出一种Berry-Esseen型正态近似结果，用于长期依赖时间序列协方差和精度矩阵的有限样本界推断，采用鞅和m依赖近似及三元块构造方法，支持高维设置和自助法验证。
2026-04-17 math.ST stat.ME stat.TH
Inference for partially observed Riemannian Ornstein-Uhlenbeck diffusions of covariance matrices
在具有对数欧几里德和仿射不变度量的协方差阵锥上构造了Ornstein-Uhlenbeck过程的推广.我们的发展利用黎曼几何结构的对称正定矩阵视为一个微分流形。然后，我们提供了离散观测的扩散过程的协方差阵的基础上的MCMC算法的帮助下，一个新的扩散桥采样占的几何结构的贝叶斯推断。我们所提出的算法说明了一个真实的数据金融应用程序。
2022-11-16 stat.CO stat.ME
On Gaussian Comparison Inequality and Its Application to Spectral Analysis of Large Random Matrices
最近，谢尔盖·茹科夫，切特维里科夫和加藤[安。42（2014）1564--1597]发展了一个新的高斯比较不等式，用于逼近经验过程的上确界。本文利用这一技术设计了大型随机矩阵谱的精确推断。特别是，我们表明，两个长期存在的问题，随机矩阵理论可以解决：（i）简单的自助推断样本特征值时，真正的特征值是绑;（ii）进行两个样本罗伊的协方差检验在高维。为了建立渐近结果，一个广义的$ε$ -净参数矩阵重新标度谱范数和几个新的经验过程界的开发和独立的利益。
2017-05-26 math.ST stat.ME stat.TH
Projection inference for high-dimensional covariance matrices with structured shrinkage targets
在相关性下分析高维数据的大样本是一个具有挑战性的统计问题，因为长时间序列可能具有变点，最重要的是在均值和边际协方差中，需要有效的测试。由于噪声累积，对大型协方差阵的推断尤其困难，导致奇异估计和相关测试的功效较差。高维样本协方差阵的奇异性可以通过考虑与规则的、更结构化的目标矩阵的线性组合来克服。这种方法被称为收缩，目标矩阵通常是对角形式。在本文中，我们考虑的协方差收缩对bandable或Toeplitz类型的结构非参数估计，分别，旨在提高估计精度和统计功效的测试，即使在非平稳。我们得到可行的高斯近似结果的双线性投影的收缩估计是有效的非平稳性和依赖。这些近似，特别是使我们能够制定一个统计测试的边缘协方差结构的高维时间序列的尺寸上没有限制，这是强大的对非平稳性的滋扰参数。我们通过模拟表明，收缩有助于提高所提出的测试的功率。此外，我们建议一个数据驱动的选择的收缩权重，并评估其性能的蒙特卡罗研究。结果表明，所提出的收缩估计是优越的非Toeplitz协方差结构接近分数高斯噪声。
2022-11-04 math.ST stat.ME stat.TH
Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices
University of California, Davis（加州大学戴维斯分校）
针对大协方差矩阵谱边缘推断难题，提出偏差校正乘子自助程序，通过校准乘子扰动构建置信区间并校正偏移，证明其渐近有效性，能产生无阈值的尖峰数量估计器及数据驱动的碎石图截止值。
2026-07-31 math.ST stat.ME stat.TH
Exact Bayesian inference for discretely observed Markov Jump Processes using finite rate matrices
提出了一种新的方法，用于对具有可数无限状态空间的离散观测连续时间Markov跳过程的速率参数进行贝叶斯推断。通常选择的推理方法，粒子马尔可夫链蒙特卡罗（粒子MCMC），挣扎时，观察噪声很小。我们认为最具挑战性的制度的精确观测，并提供了两种新的推理方法，在这种情况下：最小扩展状态空间算法（MESA）和几乎最小扩展状态空间算法（nMESA）。通过扩展马尔可夫链蒙特卡罗状态空间，MESA和nMESA都使用有限速率矩阵的取幂来对马尔可夫跳跃过程执行精确的贝叶斯推断，即使其状态空间是可数无限的。数值实验表明，粒子MCMC之间的一个因素的三个和几个数量级的改进。
2022-06-21 stat.CO stat.ME stat.OT
Geometry-driven Bayesian Inference for Ultrametric Covariance Matrices
本文针对超度量协方差矩阵的贝叶斯推断问题，通过建立其与系统发育树空间的双射并利用拉回几何，开发了采样算法，并在模拟和癌症应用中验证了其有效性。
2025-04-24 stat.ME
A Bayesian Statistical Approach for Inference on Static Origin-Destination Matrices
我们从一个正式的统计观点来解决静态OD矩阵估计的问题。我们采用了一种新的贝叶斯框架，开发了一类模型，明确投在研究区域的出行配置为随机变量。因此，经典的解决方案，从增长因子，重力，和最大熵模型被确定为特定的估计下提出的模型。我们发现，这些解决方案中的每一个通常只占一小部分的后验概率质量的合奏，然后我们认为，在推理的不确定性应传播到以后的分析或下一阶段的模型。我们还提出了替代的，更强大的估计和设计马尔可夫链蒙特卡罗抽样方案，以获得他们和执行其他类型的推断。我们提出了几个例子，展示了所提出的模型和方法，并强调如何将其他来源的数据纳入模型和推理的原则，非启发式的方式。
2011-11-30 stat.AP stat.ME
Sensitivity Analysis for Inference with Partially Identifiable Covariance Matrices
在某些具有缺失数据的多变量问题中，存在从未一起观察到的变量对。例如，一些现代生物工具可以产生这种形式的数据。这种结构的结果是，协方差阵仅部分可识别，并且点估计要求做出识别假设。这些假设可能会在推断中引入未知且可能较大的偏倚。本文提出了一种基于半定规划的方法，通过计算协方差阵的凸函数的可能的等似然推断值的范围来自动量化这种潜在的偏差。我们专注于通过条件期望缺失值插补的偏差，并表明我们的方法可以给出一个准确的评估的真实误差的情况下，基于抽样不确定性的估计是过于乐观。
2013-08-10 stat.ME
Efficient inference for differential equation models without numerical solvers
针对微分方程模型传统推断依赖数值求解、易受截断误差干扰的问题，提出无需数值求解的推断方法，彻底规避截断误差，并提供开源工具支持其在多类生物数据分析模型中的应用。
2024-12-13 stat.ME
Bayesian Inference of Transition Matrices from Incomplete Graph Data with a Topological Prior
许多网络分析和图学习技术都是基于随机游动的模型，这需要推断转换矩阵，这些转换矩阵将观察到的图中的潜在随机过程形式化。对于加权图，通常基于边的相对权重来估计这种转移矩阵的条目。然而，我们经常会遇到不完整的数据，这使得基于加权图的转移矩阵的构造变成了一个推理问题。此外，我们经常可以访问额外的信息，这些信息捕获系统的拓扑约束，即加权图中的哪些边（理论上）是可能的，哪些不是，例如交通网络，我们可以访问乘客轨迹以及连接的物理拓扑，或者与底层社会结构的一组社会交互。结合这两种不同的信息来源来推断转换矩阵是一个开放的挑战，对下游网络分析任务的影响。针对这个问题，我们表明，包括知识的拓扑约束，可以提高过渡矩阵的推理，特别是对于小的数据集。我们推导出一个分析上易于处理的贝叶斯方法，使用重复的相互作用和拓扑之前推断转换矩阵的数据有效。我们比较它对常用的频率论和贝叶斯方法在合成和真实世界的数据集，我们发现，它恢复的转移概率具有更高的精度，它是强大的，即使在情况下，知识的拓扑约束是部分的。最后，我们表明，这种更高的准确性提高了下游网络分析任务的结果，如集群检测和节点排名，这突出了我们的方法分析各种网络系统的实际相关性。
2022-10-27 stat.ME stat.ML
Parameter inference with estimated covariance matrices
当通过计算似然从高斯分布数据集推断参数时，需要描述数据误差及其相关性的协方差矩阵。如果协方差矩阵不是先验已知的，则它可以被估计，从而成为本身具有某种内在不确定性的随机对象。我们展示了如何推断参数的存在下，这样一个估计的协方差矩阵，边缘化的真实协方差矩阵，其估计值的条件。这导致似然函数不再是高斯的，而是多变量t分布的适应版本，其具有与多变量高斯相同的数值复杂度。正如预期的那样，与Hartlap等人相比，真实协方差矩阵的边缘化改善了推断。的方法，该方法使用逆协方差矩阵的无偏估计，但仍然假设似然是高斯的。
2016-01-05 astro-ph.CO stat.ME
Bayesian Inference Under Differential Privacy With Bounded Data
本文研究受差分隐私保护的有界数据高斯模型的贝叶斯推断，证明分析师在指定先验分布时应考虑边界约束，并提供了默认先验在缺乏先验信息时产生有效推断的理论与实证结果，最后探讨了其在差分隐私数据回归推断中的应用。
2024-10-16 cs.CR stat.ME
Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures
在本文中，我们提出了泊松混合方法的起点-目的地（OD）的交通分析建模。我们引入协变量为基础的模型，其中包括不同的运输建模阶段，也允许直接概率推理的基础上贝叶斯预测的链路流量。重点放在泊松逆高斯作为一种替代常用的泊松伽马和泊松对数正态模型。我们提出了第一个完整的贝叶斯公式，并证明了泊松逆高斯是特别适合OD分析，由于理想的边际和层次属性。此外，集成嵌套拉普拉斯近似（INLA）被认为是一种替代马尔可夫链蒙特卡罗和两种方法进行了比较，在特定的建模假设。案例研究是基于2001年比利时人口普查数据，重点是一个大的，稀疏分布的OD矩阵，包含308佛兰芒自治市的行程信息。
2020-11-11 stat.AP stat.ME
Blessing of dimension in Bayesian inference on covariance matrices
University of Virginia（弗吉尼亚大学）；Duke University（杜克大学）
本文提出FABLE方法，利用维度祝福实现高维协方差矩阵的精确后验近似，无需马尔可夫链蒙特卡罗采样，提升推断效率和精度。
2026-08-10 stat.ME
Orthogonalized Design Matrices Speed-ups of Bayesian Semiparametric Regression
University of Technology Sydney（悉尼科技大学）
研究如何用正交设计矩阵加速贝叶斯半参数回归，通过预循环重新表述模型，在列维度上使计算量大幅减少，实现约5到60倍加速。
2026-07-13 stat.ME
Optimal Differentially Private PCA and Estimation for Spiked Covariance Matrices
本文研究了尖峰协方差模型下的最优差分隐私主成分分析和协方差估计，刻画了特征量敏感度并建立了极小极大收敛速度，提出了计算高效且在对数因子范围内最优的差分隐私估计器，适用于发散秩、更广信号强度及小样本高维场景。
2024-09-27 cs.IT math.IT math.ST
Differentially Private Variational Inference for Non-conjugate Models
Helsinki Institute for Information Technology (HIIT)（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）
许多机器学习应用程序都是基于从人们那里收集的数据，例如他们的口味和行为以及生物特征和遗传数据。无论应用程序有多重要，都必须确保个人身份或数据隐私在分析中不会受到损害。差分隐私构成了一个强大的框架，可以防止从计算输出中违反数据主体隐私。许多重要的贝叶斯推断方法的不同的私有版本已经被提出，但缺乏一个有效的统一的方法适用于任意模型。在这方面的贡献，我们提出了一个差异私人变分推断方法具有非常广泛的适用性。它是建立在双随机变分推断，最近的进展，提供了一个变分解决方案的一大类模型。通过对梯度的裁剪和扰动，将微分隐私加入到双随机变分推断中。该算法通过子采样的隐私放大，提高了算法的效率。我们证明了该方法可以达到接近非私人水平的准确性下，合理的强隐私保证，明显改善了以前的采样为基础的替代品，特别是在强隐私制度。
2017-04-10 cs.CR cs.LG stat.ME
Differentially Private Estimation and Inference in High-Dimensional Regression with FDR Control
The University of Hong Kong（香港大学）；Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Rutgers University（罗格斯大学）
本文提出新的方法进行高维线性回归中的差分隐私估计与推断。引入DP-BIC选择未知稀疏性参数，开发DP去偏差算法，通过稀疏性进行隐私保护推断，并通过DP多重检验控制FDR。
2026-04-10 stat.ME
Differentially Private Bayesian Inference for Gaussian Copula Correlations
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；Duke University（杜克大学）
本文提出基于差分隐私的高斯Copula相关性贝叶斯推断方法，通过噪声添加和复合似然估计实现隐私保护下的相关性估计。
2026-07-28 stat.ME
A Probabilistic State Space Model for Joint Inference from Differential Equations and Data
University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
具有微分方程的机理模型是机器学习的科学应用的关键组成部分。在这种模型中的推断通常需要计算，因为它涉及到反复求解微分方程。这里的主要问题是数值求解器很难与标准推理技术相结合。最近的工作在概率数值已经开发了一类新的求解器的常微分方程（ODE），短语的解决方案的过程中直接在贝叶斯滤波。我们在这里表明，这使得这种方法可以非常直接地结合起来，概念和数值上的方便，在常微分方程本身的潜在的力模型。然后，可以在扩展卡尔曼滤波器/平滑器的单个线性复杂度通道中对潜在力以及ODE解执行近似贝叶斯推断-也就是说，以计算单个ODE解为代价。我们通过对COVID-19爆发数据的非参数SIRD模型进行训练，展示了该算法的表现力和性能。
2022-07-05 cs.LG stat.ME stat.ML
Inference of multiple high-dimensional networks with the Graphical Horseshoe prior
我们开发了一种新的全贝叶斯方法多个相关的精度矩阵，称为多个图形马蹄铁（mGHS）。所提出的方法依赖于一种新的多变量收缩先验的基础上马蹄事先借用的强度和共享稀疏模式的群体，提高后边缘选择时，精度矩阵是相似的。另一方面，当组是独立的时，没有性能损失。此外，mGHS提供了一个相似性矩阵估计，有助于理解跨组的网络相似性。我们实现了一个有效的Metropolis-within-Gibbs后验推理，具体而言，局部方差参数更新通过一种新的和有效的修改拒绝抽样算法，从三参数Γ分布的样本。该方法的规模以及相对于变量的数量，并提供了一个最快的全贝叶斯方法估计多个精度矩阵。最后，边缘选择是一种新的方法，基于模型切割。我们的经验表明，mGHS优于竞争的方法，通过模拟研究和应用程序的自行车共享数据集。
2023-02-13 stat.CO stat.ME
