关于高斯图模型中的模型误设与KL分离
信息论
2015-04-06 v2 math.IT
统计理论
机器学习
统计理论
摘要
我们根据相应图模型边集之间的汉明距离，建立了两个多元高斯分布之间KL散度的界。我们证明当图至少相差一条边时，KL散度以下界为一常数；这本质上是最紧可能的界，因为存在这样的图类，其边差异增大但KL散度仍以上界为一常数。作为我们KL下界的自然推论，我们还建立了通过极大似然估计进行正确模型选择的样本量要求。我们的结果严谨化了如下观念：为了以较高精度逼近真实分布，准确估计高斯图模型的边结构至关重要。
引用
@article{arxiv.1501.02320,
title = {On model misspecification and KL separation for Gaussian graphical models},
author = {Varun Jog and Po-Ling Loh},
journal= {arXiv preprint arXiv:1501.02320},
year = {2015}
}
备注
Accepted to ISIT 2015