高斯图模型中的半盲子图重构
机器学习
2017-11-16 v1 机器学习
摘要
考虑一个社交网络，其中仅少数节点（智能体）具有有意义的交互，即节点属性变量（行为）上的条件依赖图是稀疏的。一家只能观测其自身客户之间交互的公司通常无法准确估计其客户的依赖子图：它对其客户的任何外部交互视而不见，而这种盲性会在其子图中产生虚假边。本文讨论半盲场景，即该公司可获取连接外部智能体的互补子图的含噪摘要，例如由整合者提供。所提框架也适用于其他应用，包括由清醒与睡眠传感器网络进行的场估计，以及社交子网上隐私受限的信息共享。我们在服从高斯图模型（GGM）的图信号背景下提出一种惩罚似然方法。我们使用凹凸迭代优化算法来最大化惩罚似然。
引用
@article{arxiv.1711.05391,
title = {Semiblind subgraph reconstruction in Gaussian graphical models},
author = {Tianpei Xie and Sijia Liu and Alfred O. Hero},
journal= {arXiv preprint arXiv:1711.05391},
year = {2017}
}
备注
7 pages; 5 figures; 2017 5th IEEE Global Conference on Signal and Information Processing