具有跳跃的网络估计
机器学习
2010-12-21 v2
摘要
我们研究了估计非平稳时间序列数据（如相互作用个体的社会状态或基因网络的微阵列表达谱）背后的时变系数和变结构（VCVS）图模型的问题，这与当前结构估计文献中广泛考虑的来自不变模型的独立同分布数据不同。特别地，我们考虑了模型以分段常数方式演化的场景。我们提出了一种最小化所谓 TESLA 损失（即时间平滑 L1 正则化回归）的程序，该程序允许联合估计 VCVS 模型的分段边界以及每个分段上稀疏精度矩阵的系数。提出了一种高度可扩展的近端梯度方法来求解由此产生的凸优化问题；并首次为此类估计器建立了稀疏估计的条件以及分段边界和网络结构的收敛速度。
引用
@article{arxiv.1012.3795,
title = {Estimating Networks With Jumps},
author = {Mladen Kolar and Eric P. Xing},
journal= {arXiv preprint arXiv:1012.3795},
year = {2010}
}
备注
Added references. Corrected typos