存在隐藏节点时基于高斯观测的联合图学习

图学习问题通常侧重于在全部节点信号可用时学习单个图的拓扑。然而，许多当代设置涉及多个相关网络，且往往仅观察到节点子集而其余节点保持隐藏。受此启发，我们提出一种考虑隐藏（潜在）变量存在的联合图学习方法。直观上，隐藏节点的存在使推断任务不适定且难以求解，因此我们通过对所估计图的相似性加以利用来克服此不利影响。为此，我们假设观测信号来自带潜在变量的高斯马尔可夫随机场，并细致建模隐藏（潜在）节点间的图相似性。进而，我们利用前述考量所得结构，提出一个凸优化问题，通过提供正则化最大似然估计器来求解联合图学习任务。最后，我们将所提算法与不同基线比较，并在合成与真实世界图上评估其性能。