用于改进高斯图模型估计的聚类图 Lasso
机器学习
2013-07-23 v1 统计方法学
摘要
我们考虑在高维设定下估计高斯图模型的任务。图 Lasso (graphical lasso) 是一种经过充分研究的方法，它在 l1 惩罚约束下最大化高斯对数似然函数。我们首先引入图 Lasso 与层次聚类之间一个令人惊讶的联系：图 Lasso 实际上执行了一个两步过程，其中 (1) 对变量执行单连接层次聚类以识别连通分量，然后 (2) 在每个连通分量内的变量子集上最大化 l1 惩罚对数似然函数。换句话说，图 Lasso 通过单连接聚类确定估计网络的连通分量。不幸的是，单连接聚类在某些设定下表现不佳。因此，我们提出了聚类图 Lasso (cluster graphical lasso)，该方法使用单连接聚类以外的替代方法对特征进行聚类，然后在每个聚类内的变量子集上执行图 Lasso。我们建立了该技术的选择模型一致性，并在模拟研究中展示了其相对于图 Lasso 的改进性能，以及在股票数据集、大学网页数据集和基因表达数据集中的应用。
引用
@article{arxiv.1307.5339,
title = {The Cluster Graphical Lasso for improved estimation of Gaussian graphical models},
author = {Kean Ming Tan and Daniela Witten and Ali Shojaie},
journal= {arXiv preprint arXiv:1307.5339},
year = {2013}
}