面向高斯图模型的可扩展准贝叶斯框架
统计理论
2015-12-29 v1 统计理论
摘要
本文研究高维高斯图模型的贝叶斯估计。我们针对高斯图模型的估计，开发了 Meinshausen 和 Buhlmann（2006）邻域选择方法的准贝叶斯实现。该方法产生一种乘积形式的准后验分布，可通过并行计算高效探索。我们推导了准后验分布收缩率的非渐近界。结果表明，所提出的准后验分布以邻域选择中涉及的线性回归的最差收缩率所给出的速率收缩至真实精度矩阵。我们遵循 Atchade（2015）的方法，开发了用于近似计算的马尔可夫链蒙特卡罗算法。我们通过一项仿真研究阐释该方法。结果表明，所提方法能够以其他图模型贝叶斯方法无法匹敌的规模拟合高斯图模型。
引用
@article{arxiv.1512.07934,
title = {A scalable quasi-Bayesian framework for Gaussian graphical models},
author = {Yves Atchade},
journal= {arXiv preprint arXiv:1512.07934},
year = {2015}
}
备注
25 Pages, 2 Figures