通过含隐变量的 DAG 进行协方差建模
机器学习
2013-01-14 v1 机器学习
摘要
含隐变量的 DAG 模型呈现出许多在所有节点均被观测时不存在的问题。特别是，完全观测的 DAG 模型是可识别的，并对应于定义良好的分布集，而在节点未被观测时则不然。在本文中，我们精确刻画了一类一维高斯潜变量模型所给出的分布集。这些模型关联两组观测变量块，仅对互协方差矩阵进行建模。我们描述了该模型与互协方差矩阵奇异值分解之间的关系。我们表明，尽管该模型是不可识别的，但仍可提取有用信息。我们进一步考虑了一种替代参数化形式，其中每个变量块关联一个潜变量。我们的分析得出了一些关于高斯隐变量模型的新颖协方差等价结果。
引用
@article{arxiv.1301.2316,
title = {Cross-covariance modelling via DAGs with hidden variables},
author = {Jacob A. Wegelin and Thomas S. Richardson},
journal= {arXiv preprint arXiv:1301.2316},
year = {2013}
}
备注
Appears in Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI2001)