无向高斯图模型中的贝叶斯结构学习：文献综述与实证比较
统计方法学
2024-07-30 v3
摘要
高斯图模型提供了一个强大的框架来揭示多元变量之间的条件依赖结构。揭示条件依赖网络的过程称为结构学习。贝叶斯方法能够度量条件关系的不确定性并纳入先验信息。然而，由于贝叶斯方法的计算负担，频域方法（注：此处原文 frequentist 指频率学派方法）往往更受青睐。在过去十年中，贝叶斯方法取得了实质性改进，其中一些现在能够在短短几分钟内对多达一千个变量的图生成准确估计。尽管有这些进展，尚未对所有近期方法进行过全面综述或实证比较。本文深入探讨用于结构学习的广泛贝叶斯方法，并通过全面的模拟研究评估其效能。我们还展示了如何将贝叶斯结构学习应用于真实世界数据集，并提供了未来研究的方向。本研究为新手、从业者和专家提供了这一活跃领域的详尽概览。
引用
@article{arxiv.2307.02603,
title = {Bayesian Structure Learning in Undirected Gaussian Graphical Models: Literature Review with Empirical Comparison},
author = {Lucas Vogels and Reza Mohammadi and Marit Schoonhoven and S. Ilker Birbil},
journal= {arXiv preprint arXiv:2307.02603},
year = {2024}
}