A pairwise likelihood approach to simultaneous clustering and dimensional reduction of ordinal data
关于连续数据的聚类的文献是丰富和广泛的;不同的是，为分类数据开发的文献仍然有限。在某些情况下，这个问题变得更加困难的噪声变量/尺寸，不包含有关的聚类结构的信息，并可能掩盖it. This本文的目的是提出一个模型，同时聚类和降维的有序分类数据能够检测到的歧视性尺寸丢弃噪声的存在。根据潜在的响应变量方法，观察到的变量被认为是一个离散化的潜在的一阶连续变量分布为高斯混合。为了识别歧视性和噪声维度，这些变量被认为是两个独立的二阶潜变量的线性组合，其中只有一个包含有关聚类结构的信息，而另一个包含噪声维度。模型规格涉及多维积分，使得极大似然估计繁琐，在某些情况下是不可行的。为了克服这个问题的参数估计进行通过EM类算法最大化成对对数似然。实际和模拟数据的应用模型的例子进行显示的建议的有效性。
2015-04-11 stat.ME
Gaussian Graphical Model Estimation with False Discovery Rate Control
研究了高维高斯图模型的估计问题。通常，现有的方法依赖于正则化技术。因此，有必要选择正则化参数。然而，在GGM估计中正则化参数和伪边缘数目之间的精确关系并不清楚。因此，不可能严格地评价它们的业绩。在本文中，我们提出了一种替代方法的多重检验程序。基于我们新的条件相关检验统计量，我们提出了GGM中条件相关的一种同时检验方法。我们的方法可以控制错误发现率（FDR）渐近。所提出的方法的数值性能表明，我们的方法工作得很好。
2013-06-05 stat.ME
On Uses of Van der Waerden Test: A Graphical Approach
虽然有几种非参数检验可用于检验总体同分布或多组平均值相等的问题，但在正态性假设下，Van der Waerden检验与经典的单向方差分析检验具有渐近相同的效率，其中它依赖于逆正态得分。在本研究中，使用Waerden检验统计量创建一个表格，该表格有助于根据Bonferroni和Benjamini-Hochberg方法推导调整后的p值图表。所提出的形式的采样分布被导出为用于获取初始p值的Γ分布。所提出的方法将提供很好的识别和深入的知识发生的变化。通过仿真研究，分析了该方法在检验规模和功效方面的特点，并与原始Waerden检验和单因素方差分析检验进行了比较。结果是非常实用的价值，因为所提出的方法延伸可见的形状给决策者提供完整的图片和深刻的洞察力的差异发生，保持大小和功率的测试几乎类似于原始Waerden测试，并给出了一个一瞥的各种信息，完成两两比较。为了显示所提出的方法的好处，两个应用程序。
2022-03-04 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
Adaptive Regularization via Extreme Value Distributions for Gaussian Graphical Models
Vanderbilt University（范德堡大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对高斯图模型边选择中固定正则化参数不适应数据的问题，提出基于极值理论的数据自适应惩罚族，通过290个数据集和模拟验证，在保持特异性的同时提高敏感性，推荐Weibull惩罚。
2026-09-09 stat.ME
Flood risk estimation via geometric extremal graphical models
STOR-i Centre for Doctoral Training, Lancaster University（兰卡斯特大学 STOR-i 博士培训中心）；School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院）；Department of Mathematics, University of Oslo（奥斯陆大学数学系）
研究利用多元几何极值理论新框架，通过定义规范函数，引入简单和复杂模型，应用于河网极端流量分析，模型拟合良好且外推性能强，还引入校正系数，计算同时洪水概率展示了方法的整体效用。
2026-07-20 stat.AP stat.ME
On Semiparametric Exponential Family Graphical Models
提出了一类新的半参数指数族图模型，用于高维混合数据的分析。与现有的混合图模型不同，我们允许节点方向的条件分布是半参数的广义线性模型，其基测度函数不确定。因此，我们的方法的一个优点是，它是不必要的指定每个节点的类型，该方法是更方便地应用于实际。在所提出的模型下，我们考虑了高维的参数估计和假设检验问题。特别是，我们提出了一个对称的成对得分测试的存在下，在图中的一个单一的边缘。与现有的假设检验方法相比，我们的方法考虑了参数的对称性，使得推理结果对于同一边缘的不同参数化是不变的。通过数值模拟和实际数据的例子来支持我们的结果。
2015-10-15 stat.ML
Graphical Models for Discrete and Continuous Data
我们介绍了一个无向图模型的一般框架。它将高斯图形模型推广到广泛的连续，离散和不同类型数据的组合。该框架中的模型，称为指数跟踪模型，适合于基于最大似然的估计。我们引入了一个基于采样的近似算法来计算最大似然估计，我们应用这个管道来学习同步神经活动的尖峰数据。
2019-06-15 math.ST stat.OT stat.TH
De novo construction of polyploid linkage maps using discrete graphical models
连锁图谱用于确定负责性状和疾病的基因的位置。新的测序技术为大幅增加遗传标记的密度创造了机会。这种革命性的技术进步带来了新的挑战，如创建高密度连锁图谱。目前基于成对重组分数的多重检验方法在高维环境中的能力不足，并且不容易扩展到多倍体物种。我们建议通过稀疏高斯Copula或非超自然怀疑论方法使用图形模型构建连锁图。连锁群（LG），通常是染色体，和每个LG中的标记的顺序是通过推断基因组中大量标记之间的条件独立关系来确定的。通过模拟，我们说明了我们的地图构建方法的实用性，并将其性能与其他可用的方法进行比较，无论是当数据是干净的，不包含缺失的观察，当数据包含基因分型错误，是不完整的。我们将所提出的方法应用于两个基因型数据集：大麦和马铃薯二倍体和多倍体人口，分别。我们的综合图谱构建方法充分利用剂量SNP数据来构建任何双亲二倍体和多倍体物种的连锁图谱。我们已经在R包netgwas中实现了该方法。
2018-04-02 q-bio.GN q-bio.MN q-bio.PE
Graphical Models and Efficient Inference Methods for Multivariate Phase Probability Distributions
本文提出一个基于成对指数族分布的概率建模框架，结合Chow-Liu算法和interaction screening等高效推断方法，解决了复杂系统中多元相位关系的统计假设检验与推断难题，为探索类波现象等系统的复杂时空动力学提供了新范式。
2025-05-30 cs.IT math.IT math.ST
Copula Gaussian graphical models and their application to modeling functional disability data
我们提出了一个全面的贝叶斯方法，用于观察性研究中的图形模型确定，可以同时容纳二元，有序或连续变量。我们的新模型被称为copula高斯图形模型（CGGM）和嵌入图形模型选择内的半参数高斯copula。我们的方法的适用范围非常广泛，包括许多社会科学和经济学的研究。我们说明了使用Copula高斯图形模型在分析16维功能残疾列联表。
2011-08-08 stat.AP
Estimating Differential Latent Variable Graphical Models with Applications to Brain Connectivity
微分图模型是用来表示两个组的条件依赖结构之间的差异的，因此在科学研究中特别有意义。受现代应用的启发，这篇手稿考虑了一个扩展的设置，其中每个组由一个潜在变量高斯图形模型生成。由于潜在因子的存在，微分网络被分解为稀疏和低秩分量，它们都是对称的不定矩阵。我们估计这两个组件同时使用两个阶段的过程：（i）初始化阶段，计算一个简单的，一致的估计，和（ii）收敛阶段，使用投影交替梯度下降算法应用到一个非凸目标，初始化使用第一阶段的输出。我们证明了，给定的初始化，估计线性收敛的非平凡的，最小最大的最佳统计误差。对合成数据和真实数据的实验表明，所提出的非凸过程优于现有的方法。
2020-05-13 math.ST stat.AP stat.ME
Quantile Graphical Models: Prediction and Conditional Independence with Applications to Systemic Risk
我们提出了两种分位数图模型-条件独立分位数图模型和预测分位数图模型。CIQGM通过评估每个分位数指数处的分布依赖结构来表征分布的条件独立性。因此，CIQGM可用于验证因果图模型（\cite{pearl2009causality, robins1986new, heckman2015causal}）中的图结构。这些模型的一个主要优点是，我们可以将它们应用于由非高斯和不可分离冲击驱动的大量变量。PQGM通过非对称损失函数下的最佳线性预测量的图来表征统计依赖性。PQGM比CIQGM做出更弱的假设，因为它们允许错误指定。由于QGM能够处理大量变量并专注于分布的特定部分，因此我们可以应用它们来量化尾部相互依赖性。由此产生的尾部风险网络可以用来衡量系统性风险的贡献，有助于在了解国际金融传染和依赖结构的回报下的市场走势。我们开发的估计和推理方法QGM专注于高维的情况下，在图中的变量的数量是大的观察的数量相比。对于CIQGM，这些方法和结果包括同时有效的惩罚函数的选择、一致的收敛速度和同时有效的置信区域。我们还推导出类似的结果PQGM，其中包括惩罚分位数回归在高维设置的新结果，以处理错误，许多控制，和连续的额外的条件事件。
2019-10-28 econ.EM math.ST stat.TH
Simultaneous Estimation of Graphical Models by Neighborhood Selection
在许多关于统计图形模型的应用中，数据来源于几个亚群，这些亚群具有相似性，但也有显着差异。这就提出了如何同时估计多个图形模型的问题。将所有数据汇集在一起来估计一个单一的图表将忽略亚群之间的差异。另一方面，分别从每个子群体估计图并不能有效地利用数据中的公共结构。我们开发了一种新的方法，同时估计多个图形模型，通过估计所涉及的变量的拓扑邻域下的稀疏诱导惩罚，考虑到共同的结构，在子种群。与联合图形模型的现有方法不同，我们的方法不依赖于大矩阵的谱分解，因此在估计大型网络时更具计算吸引力。此外，我们开发了我们的方法的渐近性质，证明其数值复杂性，并通过模拟与现有的几种方法进行比较。最后，我们将我们的方法应用于肺癌数据集的基因组网络的估计，该数据集由几个亚群组成。
2022-06-16 stat.ME
De-biased graphical Lasso for high-frequency data
本文提出了一种新的高维高频数据精度矩阵的统计推断理论。重点不仅在于点估计，而且在于精密度矩阵条目的区间估计和假设检验。为了实现这一目的，我们建立了一个抽象的渐近理论的加权图形Lasso和它的去偏版本没有指定的形式的初始协方差估计。我们还扩展了理论的范围的情况下，一个已知的因素结构是存在于数据中。将所发展的理论应用到可以使用已实现协方差阵作为初始协方差估计量的具体情形中，得到了构造精度阵项的（同时）置信区间和（多重）检验的可行渐近分布理论.
2019-05-04 math.ST stat.TH
Geometric extremal graphical models and coefficients of extremal dependence on block graphs
University of Edinburgh（爱丁堡大学）；Lancaster University（兰卡斯特大学）
本文提出几何极值图模型，用于分析块图中极值依赖系数的传播，为高维极值建模提供新方法。
2026-01-01 math.ST stat.TH
Reciprocal Graphical Models for Integrative Gene Regulatory Network Analysis
构建基因调控网络是系统生物学的一项基本任务。我们引入了一个高斯倒易图形模型，通过整合mRNA基因表达和DNA水平信息（包括拷贝数和甲基化）来推断基因调控关系。数据集成允许对某些监管关系的方向性进行推断，否则由于马尔可夫等价性而无法区分。有效的推理是基于联立方程模型。采用贝叶斯模型选择技术来估计图的结构。我们通过模拟和两个应用程序在ZODIAC成对基因相互作用分析和结肠腺癌途径分析说明我们的方法。
2016-07-22 stat.ME
Moderated Network Models
成对网络模型（如高斯图形模型（GGM））是分析多变量数据中依赖关系的强大而直观的方法。GGM的一个关键假设是每个成对相互作用独立于所有其他变量的值。然而，在心理学研究中，这往往是令人难以置信的。在本文中，我们扩展了GGM允许两个变量之间的每一个成对的相互作用，以调节模型中的所有其他变量（的子集），从而引入一个适度的网络模型（MNM）。我们展示了如何构建MNM，并提出了一个L1正则化nodewise回归方法来估计它。我们提供了一个模拟研究中的性能结果，并表明MNM优于分裂样本的方法网络比较测试（NCT）和融合图形套索（FGL）在检测缓和效果。最后，我们提供了一个关于如何使用R包mgm估计MNM的完全可重现的教程，并讨论了模型错误指定的可能问题。
2020-02-13 stat.ME
Learning general conditional independence structures via the neighbourhood lattice
本文提出通过邻域晶格分解学习高维条件独立结构，无需先验图知识，有效避免维度诅咒。
2026-03-29 cs.DM math.ST stat.ML
Selection and Estimation for Mixed Graphical Models
我们考虑的问题，估计的参数在一个成对的图形模型中，每个节点的分布，在其他的条件下，可能有一个不同的参数形式。特别地，我们假设每个节点的条件分布是指数族。我们确定了一个定义良好的联合密度的存在所需的参数空间上的限制，并建立了一致性的邻域选择方法的图形重建在高维时，真正的底层图形是稀疏的。受我们的理论结果的启发，我们调查节点之间的边缘的选择，其条件分布采取不同的参数形式，并表明，如果从特定节点的回归得到的边缘估计被用来重建图，可以获得效率。这些结果与高斯，伯努利，泊松和指数分布的例子说明。我们的理论研究结果证实了模拟研究的证据。
2014-08-01 stat.ME
The EAS approach for graphical selection consistency in vector autoregression models
正如频率论文献中的各种最近和重要的论文所证明的那样，以及在宏观经济学，基因组学和神经科学中的许多应用，仍然有大量的兴趣来理解高维向量自回归（VAR）模型的理论估计特性。然而，迄今为止，虽然贝叶斯VAR（BVAR）模型已经开发和研究经验（主要是在计量经济学文献）存在很少的理论研究的重复抽样性质的BVAR模型在文献中。在这个方向上，我们通过$\varepsilon$ - $admissible$子集（EAS）方法构建方法，基于VAR转换矩阵的所有活动/非活动组件（图形）的相对模型概率的广义信念分布进行后验推理。我们给出了稳定VAR（1）模型EAS方法的$pairwise$和$strong$图形选择一致性的数学证明，该方法对模型误设定具有鲁棒性，并通过数值计算证明了它在高维环境下是一种有效的策略.
2019-06-11 stat.ME
Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification
School of Statistics and Data Science, Shanghai University of International Business and Economics（上海对外经贸大学统计与数据科学学院）；School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院）；Department of Biostatistics, Yale School of Public Health（耶鲁公共卫生学院生物统计学系）
本文提出了一种监督式贝叶斯联合图模型，用于同时估计异质网络并识别亚组，通过引入新的相似性先验，提升了生物网络构建和亚组识别的临床意义。
2026-02-24 stat.ME
Simultaneous Graphical Dynamic Modeling
Duke University（杜克大学）
本文提出了一种同时图动态线性模型，用于分析高维时间序列中的因果关系，并通过贝叶斯方法提高模型的可扩展性和准确性。
2026-02-11 stat.AP stat.ME
Graphical Test for Discrete Uniformity and its Applications in Goodness of Fit Evaluation and Multiple Sample Comparison
评估给定分布的拟合优度在计算统计中起着重要作用。概率积分变换（PIT）可用于将给定样本是否源自参考分布的问题转换为均匀性检验问题。我们提出了新的模拟和优化为基础的方法，以获得同时置信带的整个经验累积分布函数（ECDF）的PIT值的均匀性的假设下。同时置信带对应于共同满足期望覆盖的每个点处的这种置信区间。这些方法也可以应用于参考分布仅由有限样本表示的情况。置信带为均匀性提供了直观的基于ECDF的图形测试，这也提供了关于差异质量的有用信息。我们进一步扩展的模拟和优化方法，以确定同时的置信带，用于测试多个样本是否来自相同的底层分布。这种多样本比较检验在马尔可夫链蒙特卡罗收敛性诊断中特别有用。我们提供了数值实验来评估使用模拟和真实世界数据的测试属性，并就其在计算统计工作流中的实际应用提出建议。
2021-11-17 stat.ME
Significant inference and confidence sets for graphical models
本文研究图模型结构的统计显著性推断与置信集构建问题，证明其等价于假设与备择假设的同时检验，并基于闭包方法推广提出单步检验程序，详细分析了无向高斯图模型的置信集结构。
2025-09-15 stat.AP stat.ME
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Multiple Changepoint Estimation in High-Dimensional Gaussian Graphical Models
我们考虑了多元时间序列中同时识别变点和图形依赖结构的正则化估计的一致性。传统上，高斯图形模型（GGM）的估计是在i.i.d设置中执行的。最近，这种模型已经扩展到允许分布的变化，但只有在变点是已知的先验。在这项工作中，我们研究了组融合图形套索（GFGL），它用L1惩罚惩罚部分相关性，同时诱导块平滑随着时间的推移来检测多个变化点。我们提出了一个证明的一致性的估计，无论是在变点，在每个部分的图形模型的结构。
2017-12-15 math.ST stat.ME stat.TH
Bayesian sparse graphical models and their mixtures using lasso selection priors
我们提出了高斯图形模型的贝叶斯方法，导致稀疏和自适应收缩的精度（逆协方差）矩阵的估计。我们的方法是基于套索型正则化先验导致简约的参数化的精度矩阵，这是必不可少的几个应用程序，涉及学习变量之间的关系。在这种情况下，我们引入了一种新类型的选择之前，开发一个稀疏结构的精度矩阵，使大多数元素正好为零，除了确保正定性-从而进行模型选择和估计同时进行。我们将这些方法扩展到有限和无限混合高斯图形模型的聚类数据使用Dirichlet过程先验。我们讨论了适当的后验模拟方案，以实现后验推理在所提出的模型，包括评估的归一化常数，这是感兴趣的参数的功能，从而导致相关矩阵的限制。我们评估我们的方法的操作特性，通过几个模拟和应用到真实的数据集。
2013-10-03 stat.ME
Estimation of the complexity of a network under a Gaussian graphical model
University of Bremen（不来梅大学）
本文提出了一种在高斯图模型下估计网络复杂度的方法，结合p值和Storey估计器，揭示了Schweder--Spjøtvoll估计器的向上偏倚问题，并通过模拟验证了方法的有效性。
2026-07-30 stat.ME
Graphical approaches for the control of generalised error rates
当同时检验多个假设时，在确证性临床试验的背景下，通常的方法是控制家族错误率（FWER），这限制了至少一次错误拒绝的概率。在许多试验环境中，这些假设还将具有反映不同临床目标之间的相对重要性和联系的分层结构。Bretz等人（2009）的图形方法是一种灵活且易于沟通的控制FWER的方法，同时考虑到复杂的试验目标和多个结构化假设。然而，FWER可能是一个非常严格的标准，导致手术的把握度较低，可能不适合探索性试验。这促使控制广义错误率，特别是当测试的假设数量不再小。我们考虑广义的familywise错误率（k-FWER），这是使k个或更多的错误拒绝的概率，以及错误发现比例（FDP）的尾部概率，这是错误拒绝的比例大于某个阈值的概率。我们还考虑了渐近控制的错误发现率（FDR），这是FDP的期望。在本文中，我们将展示如何控制这些广义的错误率时，使用的图形方法及其扩展。我们证明了实用程序的图形化的三个临床试验的案例研究。
2020-06-02 stat.ME
Flexible and Accurate Methods for Estimation and Inference of Gaussian Graphical Models with Applications
提出FLAG方法用于高斯图模型的估计与推断，通过随机效应模型与统计检验实现无需稀疏性假设的精度矩阵逐元素推断与图恢复，并支持多图联合估计，在模拟与真实数据中表现优异。
2023-06-30 stat.AP stat.ME
Inference of Mixed Graphical Models for Dichotomous Phenotypes using Markov Random Field Model
在这篇文章中，我们提出了一种新的方法命名为融合混合图形模型（FMGM），它可以推断网络结构的二分表型。我们假设不同组学标记的相互作用与疾病状态相关，并提出了一种基于FGM的方法来检测相关的组学标记网络差异。网络的统计模型基于成对马尔可夫随机场模型，并加入惩罚函数以最小化网络中稀疏性的影响。采用快速近端梯度法（PGM）优化目标函数。使用模拟幂律网络结构的合成数据集来测量方法的有效性，结果发现，与以前的方法相比，FMGM表现出优越的性能，特别是在F1分数方面，依次推断网络（0.392和0.546）。FMGM不仅在识别差异（0.217和0.410）方面表现更好，而且在识别网络（0.492和0.572）方面也表现更好。该方法被应用于6个月大的婴儿和非特应性皮炎（AD）的多组学概况，并发现不同的相关性之间的丰度的微生物基因类胡萝卜素生物合成和RNA降解根据疾病状态，这表明代谢相关的氧化应激和微生物RNA平衡的重要性。
2022-08-31 q-bio.QM stat.ME
A Bayesian Approach for Inference on Mixed Graphical Models
针对混合数据变量间依赖关系识别问题，提出一种满足马尔可夫性质、可处理多类数据与缺失值的贝叶斯成对图模型，结合尖峰-板条先验与MCMC算法推断，经模拟和真实进食障碍青少年数据验证有效。
2025-05-21 stat.AP stat.ME
Graphical Model Inference with Erosely Measured Data
针对不规则测量数据，提出首个刻画图不同边不确定性水平的推断方法GI-JOE，含逐边推断与FDR控制，并经模拟和神经科学数据验证其优势。
2023-05-14 math.ST stat.ME stat.TH
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
Latent Multimodal Functional Graphical Model Estimation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Stanford University（斯坦福大学）
本文提出潜变量多模态函数图模型估计框架，通过扩展函数型偏相关算子同时估计空间变换与潜图，并在脑成像数据中验证其有效性。
2023-10-01 cs.LG stat.ME stat.ML
Modeling Discrete Interventional Data using Directed Cyclic Graphical Models
University of British Columbia（不列颠哥伦比亚大学）
我们概述了一个表示离散多元分布的干预潜在的功能，是全球标准化。该表示可用于对干预的效果进行建模，并且在该模型中编码的独立性属性可表示为允许循环的有向图。除了讨论这种表示的推理和采样，我们给出了一个指数族参数化，允许参数估计被称为凸优化问题，我们还给出了一个凸松弛的任务，同时参数和结构学习使用组L1-正则化。该模型的模拟数据和细胞内流式细胞术数据进行评估。
2012-05-09 cs.LG stat.ME stat.ML
Uniform Inference in High-Dimensional Gaussian Graphical Models
University of Hamburg（汉堡大学）；Hamburg Business School（汉堡商学院）；Massachusetts Institute of Technology（麻省理工学院）
图形模型已经成为一种非常流行的工具，用于表示大量变量之间的依赖关系，并且是表示因果结构的关键。我们提供的结果是统一的推理高维图形模型的目标参数$d$的数量可能远远大于样本量。当因果模型的某些特征或结构应该被恢复时，这是特别重要的。我们的研究结果突出了如何在高维设置的图形模型可以估计和恢复与现代机器学习方法在复杂的数据集。为了在许多目标参数上同时构造置信区域，滋扰函数的足够快的估计速率是至关重要的。在这种情况下，我们建立统一的估计率和稀疏性保证的平方根估计在随机设计下的近似稀疏性条件下，可能是独立的兴趣在高维的相关问题。我们还证明了在一个全面的模拟研究，我们的程序具有良好的小样本性能。
2018-12-03 cs.LG econ.EM stat.ME
Simultaneous Inference in Multiple Matrix-Variate Graphs for High-Dimensional Neural Recordings
Carnegie Mellon University（卡内基梅隆大学）；Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种统一框架，结合组惩罚回归和高维高斯近似自助法，用于高维神经记录中多个矩阵变量图的同时推断，实现对任意大小边子集的全局检验。
2026-01-17 math.ST stat.ME stat.TH
Geometric mean-based pairwise comparison method with the reference values -- statistical approach
AGH University of Krakow, WEAiIB（克拉科夫AGH大学，WEAiIB）；AGH University of Krakow, WMS（克拉科夫AGH大学，WMS）
本文从统计视角出发，利用参考值和几何平均提出成对比较方法，可捕捉不一致现象与偏好距离，还定义了衡量权重向量质量的指标，为涉及专家的决策提供新方法和指标。
2026-08-04 cs.AI math.ST stat.ME
Heterogeneity Adjustment with Applications to Graphical Model Inference
异质性是分析来自多个源的聚合数据集时不需要的变化。虽然已经提出了不同的方法来调整非均质性，但没有系统的理论来证明这些方法的合理性。在这项工作中，我们提出了一个通用的框架命名为ALPHA（自适应低秩主异质性调整的缩写），从原始数据建模，估计和调整异质性。一旦异质性被调整，我们就能够消除批次效应的偏差，并通过聚合来自多个来源的同质残差来增强推理能力。在一个普遍的假设下，潜在的异质性因素同时影响了很大一部分的观测变量，我们提供了一个严格的理论来证明所提出的框架。我们的框架还允许纳入信息的协变量，并呼吁“祝福的非正式性”。作为这个通用框架的一个说明性应用，我们考虑了基于多个数据集的图模型推理的高维精度矩阵估计问题。我们还对合成数据集和脑成像数据集进行了深入的数值研究，以证明所开发的理论和方法的有效性。
2016-02-17 math.ST stat.ME stat.TH
