Sparse-Group Lasso for Graph Learning From Multi-Attribute Data
Sparse-Group Lasso for Graph Learning From Multi-Attribute Data
复制标题
用于从多属性数据进行图学习的稀疏组套索
DOI：
10.1109/tsp.2021.3057699
复制
发表时间：
2021
影响因子：
5.4
通讯作者：
Tugnait, Jitendra K.
中科院分区：
文献类型：
--
作者：
Tugnait, Jitendra K.
研究了从多属性数据中推断高维高斯向量的条件独立图（CIG）问题。大多数现有的图估计方法是基于单属性模型，其中一个关联的标量随机变量与每个节点。在多属性图模型中，每个节点代表一个随机向量。在本文中，我们提出了一个稀疏组套索基于惩罚对数似然方法的图学习多属性数据。现有的多属性图形建模工作只考虑了组套索惩罚。本文的主要目的是探讨使用稀疏群套索多属性图估计。提出了一种交替方向乘子法（ADMM）优化目标函数估计逆协方差矩阵的算法。给出了估计量相合性和稀疏性的充分条件。基于合成以及真实的数据的数值结果。
We consider the problem of inferring the conditional independence graph (CIG) of high-dimensional Gaussian vectors from multi-attribute data. Most existing methods for graph estimation are based on single-attribute models where one associates a scalar random variable with each node. In multi-attribute graphical models, each node represents a random vector. In this paper, we present a sparse-group lasso based penalized log-likelihood approach for graph learning from multi-attribute data. Existing works on multi-attribute graphical modeling have considered only group lasso penalty. The main objective of this paper is to explore the use of sparse-group lasso for multi-attribute graph estimation. An alternating direction method of multipliers (ADMM) algorithm is presented to optimize the objective function to estimate the inverse covariance matrix. Sufficient conditions for consistency and sparsistency of the estimator are provided. Numerical results based on synthetic as well as real data are presented.
登录
查看更多内容
GTT：图模板随着图像编码的应用而转变
DOI：
--
发表时间：
2015
期刊：
Picture Coding Symposium
影响因子：
--
作者：
Eduardo Pavez;Hilmi E. Egilmez;Yongzhe Wang;Antonio Ortega
通讯作者：
Antonio Ortega
用于推断多尺度调节网络的多属性高斯图形模型：在乳腺癌中的应用。
影响因子：
--
作者：
J. Chiquet;G. Rigaill;M. Sundqvist
通讯作者：
M. Sundqvist
DOI：
10.5555/2627435.2638590
发表时间：
2012
期刊：
Journal of machine learning research : JMLR
影响因子：
--
作者：
M. Kolar;Han Liu;E. Xing
通讯作者：
E. Xing
DOI：
10.1198/016214506000000735
发表时间：
2006-12-01
影响因子：
3.7
作者：
Zou, Hui
通讯作者：
Zou, Hui
多属性网络以及部分信息对推理和表征的影响
DOI：
--
发表时间：
2011
期刊：
arXiv.org
影响因子：
--
作者：
Natallia V. Katenka;E. Kolaczyk
通讯作者：
E. Kolaczyk