高维高斯图模型结构中稀疏变化的快速可扩展学习
机器学习
2018-05-24 v3 人工智能
机器学习
摘要
我们关注估计两个 维高斯图模型（GGMs）依赖结构变化的问题。以往关于 GGM 中稀疏变化估计的研究涉及昂贵且困难的非光滑优化。我们提出一种新方法 DIFFEE，用于在高维情形下通过初等估计量（Elementary Estimator）估计差分网络（DIFFerential networks）。DIFFEE 通过更快的闭式解求解，使其能在大规模设置中工作。我们进行了严格的统计分析，表明出人意料地 DIFFEE 达到了与难以计算的最先进估计量相同的渐近收敛速率。我们在多个合成数据集及一个关于脑连接的真实世界数据上的实验结果显示了相对于基线的强劲性能提升，以及显著的计算优势。
引用
@article{arxiv.1710.11223,
title = {Fast and Scalable Learning of Sparse Changes in High-Dimensional Gaussian Graphical Model Structure},
author = {Beilun Wang and Arshdeep Sekhon and Yanjun Qi},
journal= {arXiv preprint arXiv:1710.11223},
year = {2018}
}
备注
20pages, 6 figures, 10 tables; at AISTAT 2018