融合多图格拉斯索
机器学习
2014-01-03 v2 机器学习
摘要
在本文中，我们考虑使用融合拉斯索 (fused lasso) 惩罚项同时估计多个图模型的问题，该惩罚项鼓励相邻图共享相似的结构。一个 motivating 的例子是利用神经影像数据分析阿尔茨海默病的脑网络。具体而言，我们可能希望分别为正常对照组 (NC)、轻度认知障碍患者 (MCI) 和阿尔茨海默病患者 (AD) 估计脑网络。我们预期 NC 和 MCI 的两个脑网络将共享共同结构但不完全相同；MCI 和 AD 的两个脑网络也是如此。所提出的公式可以使用二阶方法求解。我们的关键技术贡献是建立了图可分解的充要条件。基于这一关键属性，我们提出了一种简单的筛选规则，将大图分解为小子图，并允许高效地估计多个独立的（小）子图，从而大幅降低计算成本。我们在合成数据和真实数据上进行了实验；结果证明了所提出方法的有效性和效率。
引用
@article{arxiv.1209.2139,
title = {Fused Multiple Graphical Lasso},
author = {Sen Yang and Zhaosong Lu and Xiaotong Shen and Peter Wonka and Jieping Ye},
journal= {arXiv preprint arXiv:1209.2139},
year = {2014}
}