A modified expectation‐maximization algorithm for latent Gaussian graphical model
A modified expectation‐maximization algorithm for latent Gaussian graphical model
复制标题
潜在高斯图模型的改进期望最大化算法
DOI：
10.1002/cjs.11643
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Wu, Yichao
中科院分区：
文献类型：
--
作者：
Zheng, Chaowen;Huang, Jingfang;Wood, Ian A.;Wu, Yichao
本文考虑了隐高斯图模型，它扩展了高斯图模型，以处理离散数据以及连续和离散变量的混合数据，假设离散变量是由离散化隐高斯变量产生的。我们提出了一种改进的期望最大化（EM）算法来估计二进制数据的潜在高斯模型中的参数。我们还提出了改进的EM算法的混合数据的潜在高斯模型。通过探索隐变量精度矩阵的稀疏模式，可以构造条件依赖结构。我们说明了我们提出的估计通过全面的数值研究和应用程序的联合国大会的投票数据的性能。
This paper considers the latent Gaussian graphical model, which extends the Gaussian graphical model to handle discrete data as well as mixed data with both continuous and discrete variables by assuming that discrete variables are generated by discretizing latent Gaussian variables. We propose a modified expectation‐maximization (EM) algorithm to estimate parameters in the latent Gaussian model for binary data. We also extend the proposed modified EM algorithm to the latent Gaussian model for mixed data. The conditional dependence structure can be consequently constructed by exploring the sparsity pattern of the precision matrix of the latent variables. We illustrate the performance of our proposed estimator through comprehensive numerical studies and an application to voting data of the United Nations General Assembly.
登录
查看更多内容
DOI：
--
发表时间：
2017-08
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Teng Zhang;Yi Yang
通讯作者：
Teng Zhang;Yi Yang
DOI：
10.1214/13-aos1162
发表时间：
2012-12
期刊：
--
影响因子：
--
作者：
Po-Ling Loh;M. Wainwright
通讯作者：
Po-Ling Loh;M. Wainwright
用于从高通量测序数据推断遗传网络的对数线性图形模型
DOI：
--
发表时间：
2012
期刊：
IEEE International Conference on Bioinformatics and Biomedicine
影响因子：
--
作者：
Genevera I. Allen;Zhandong Liu
通讯作者：
Zhandong Liu
DOI：
--
发表时间：
2014
期刊：
--
影响因子：
--
作者：
Eunho Yang;Yulia Baker;Pradeep Ravikumar;Genevera I. Allen;Zhandong Liu
通讯作者：
Eunho Yang;Yulia Baker;Pradeep Ravikumar;Genevera I. Allen;Zhandong Liu
多元有序分类变量和协变量调整的分组连续模型。
影响因子：
1.9
作者：
J. Anderson;J. Pemberton
通讯作者：
J. Pemberton