Robust Estimation of Latent Tree Graphical Models: Inferring Hidden States With Inexact Parameters
Robust Estimation of Latent Tree Graphical Models: Inferring Hidden States With Inexact Parameters
复制标题
潜在树图模型的鲁棒估计：推断具有不精确参数的隐藏状态
DOI：
--
复制
发表时间：
2011
影响因子：
2.5
通讯作者：
A. Sly
中科院分区：
文献类型：
--
作者：
Elchanan Mossel;S. Roch;A. Sly
隐树图模型广泛应用于计算生物学、信号和图像处理以及网络断层扫描。在这里，我们为潜在树模型（包括高斯模型和离散可逆模型）设计了一种新的高效估计过程，该过程显着改进了之前的样本要求界限。我们的技术是基于一个新的隐藏状态估计，是强大的估计参数的不准确性。更准确地说，我们证明了潜在树模型可以估计高概率在所谓的Kesten-Stigum制度与O（log 2n）的样本，其中n是节点的数量。
Latent tree graphical models are widely used in computational biology, signal and image processing, and network tomography. Here, we design a new efficient, estimation procedure for latent tree models, including Gaussian and discrete, reversible models, that significantly improves on previous sample requirement bounds. Our techniques are based on a new hidden state estimator that is robust to inaccuracies in estimated parameters. More precisely, we prove that latent tree models can be estimated with high probability in the so-called Kesten-Stigum regime with O(log2n) samples, where n is the number of nodes.
DOI：
10.1007/978-3-319-11433-0_3
发表时间：
2014
期刊：
--
影响因子：
--
作者：
Ben Mrad A
通讯作者：
Ben Mrad A