马尔可夫随机场中的区域检测：高斯情形
机器学习
2018-03-30 v8
摘要
我们考虑在样本不足情形下高斯马尔可夫场中的模型选择问题。对于d-正则图的基准信息论结果要求样本数至少与顶点数的对数成正比，才能允许一致的图恢复。当样本数少于该数量时，可靠地检测所有边是不可能的。在许多应用中，了解边（耦合）参数在网络上的分布比边的具体位置更为重要。假设整个图可划分为若干具有相似边参数且边界相当规则的空间区域，我们建立了新的信息论样本复杂度界，并表明有界数量的样本足以一致地恢复这些区域。最后，我们提出并分析了一种高效的区域生长算法，能够以高精度恢复这些区域。我们证明其一致性，并在合成仿真中展示了其性能优势。
引用
@article{arxiv.1802.03848,
title = {Region Detection in Markov Random Fields: Gaussian Case},
author = {Ilya Soloveychik and Vahid Tarokh},
journal= {arXiv preprint arXiv:1802.03848},
year = {2018}
}