时变非参数正态图模型的正则化后推断
机器学习
2018-02-14 v3
摘要
我们提出了一类新颖的时变非参数正态图模型，其允许我们对高维重尾系统及其潜在网络结构的演化进行建模。在此模型下，我们发展了用于检验边是否存在的统计检验，包括在固定索引值处的局部检验以及在一个值域上的全局检验。这些检验针对高维情形而开发，对模型选择错误具有鲁棒性，且不需要通常假设的最小信号强度。检验过程基于一个高维、无去偏的矩估计量，该估计量使用一种新颖的核平滑 Kendall's tau 相关矩阵作为输入统计量。该估计量在索引变量与核带宽上一致地估计潜在逆 Pearson 相关矩阵。其收敛速率被证明是极小极大最优的。我们的方法得到了详尽数值模拟以及在一个神经成像数据集上的应用的支持。
引用
@article{arxiv.1512.08298,
title = {Post-Regularization Inference for Time-Varying Nonparanormal Graphical Models},
author = {Junwei Lu and Mladen Kolar and Han Liu},
journal= {arXiv preprint arXiv:1512.08298},
year = {2018}
}