DNNLasso：面向矩阵变量数据的可扩展图学习
机器学习
2024-03-06 v1 最优化与控制
摘要
我们考虑联合学习矩阵变量观测值的行向和列向依赖关系的问题，这两者分别由两个精度矩阵建模。由于常用矩阵变量高斯图模型中 Kronecker 积精度矩阵结构复杂，最近基于图的笛卡尔积提出了一种更稀疏的 Kronecker 和结构。然而，现有的估计 Kronecker 和结构精度矩阵的方法难以扩展到大规模数据集。本文介绍了 DNNLasso，一种用于估计 Kronecker 和结构精度矩阵的对角非负图 Lasso 模型，其在准确性和计算时间上均大幅优于最先进（state-of-the-art）的方法。我们的代码可在 https://github.com/YangjingZhang/DNNLasso 获取。
引用
@article{arxiv.2403.02608,
title = {DNNLasso: Scalable Graph Learning for Matrix-Variate Data},
author = {Meixia Lin and Yangjing Zhang},
journal= {arXiv preprint arXiv:2403.02608},
year = {2024}
}
备注
Proceedings of the 27th International Conference on Artificial Intelligence and Statistics (AISTATS) 2024