论高斯时间序列图模型选择的信息论极限
统计理论
2014-03-06 v2 统计理论
摘要
我们考虑基于有限长度观测推断多元平稳离散时间高斯随机过程的条件独立图（CIG）的问题。利用信息论方法，我们推导出任何学习方案对底层过程 CIG 的错误概率下界。该下界进而给出了任何算法（无论其计算复杂度如何）为可靠选择真实底层 CIG 所需的最小样本量。此外，通过分析一种简单的选择方案，我们证明对于具有稀疏 CIG 的一类过程，可以达到信息论极限。我们不假设观测过程的参数模型，但要求其具有足够平滑的谱密度矩阵（SDM）。
引用
@article{arxiv.1403.0740,
title = {On the Information-theoretic Limits of Graphical Model Selection for Gaussian Time Series},
author = {Gabor Hannak and Alexander Jung and Norbert Goertz},
journal= {arXiv preprint arXiv:1403.0740},
year = {2014}
}
备注
5 pages