通过乘性权重法学习高斯图模型

马尔可夫随机场中的图模型选择是统计学与机器学习中的一个基本问题。两个尤为突出的模型——Ising 模型与高斯模型——在很大程度上借助不同（尽管常相关）的技术平行发展，且各自已建立起若干具有严格样本复杂度界的实际算法。在本文中，我们将 Klivans 与 Meka (FOCS, 2017) 近期提出的、基于乘性权重更新方法的算法，通过对算法及其分析进行非平凡修改，从 Ising 模型适配到高斯模型。该算法的样本复杂度界在性质上与文献中其他算法相似，在 $m$ 个样本与 $p$ 个节点的情况下具有 $O(mp^2)$ 的低运行时间，并且可以平凡地以在线方式实现。