The joint graphical lasso for inverse covariance estimation across multiple classes.
The joint graphical lasso for inverse covariance estimation across multiple classes.
复制标题
DOI：
10.1111/rssb.12033
复制
发表时间：
2014-03
期刊：
影响因子：
--
通讯作者：
Witten DM
中科院分区：
文献类型：
--
作者：
Danaher P;Wang P;Witten DM
我们考虑了从具有不同类别的观测值的高维数据集中估计多个相关高斯图模型的问题。我们提出了联合图形套索，它借用跨类的强度来估计具有某些特征的多个图形模型，例如非零边的位置或权重。我们的方法是基于最大化惩罚对数似然。采用广义融合套索或群套索惩罚，实现快速ADMM算法求解相应的凸优化问题。通过仿真和实际数据算例说明了该方法的有效性。
We consider the problem of estimating multiple related Gaussian graphical models from a high-dimensional data set with observations belonging to distinct classes. We propose the joint graphical lasso, which borrows strength across the classes in order to estimate multiple graphical models that share certain characteristics, such as the locations or weights of nonzero edges. Our approach is based upon maximizing a penalized log likelihood. We employ generalized fused lasso or group lasso penalties, and implement a fast ADMM algorithm to solve the corresponding convex optimization problems. The performance of the proposed method is illustrated through simulated and real data examples.
登录
查看更多内容
影响因子：
3
作者：
Chen H;Sharp BM
通讯作者：
Sharp BM
影响因子：
1.8
作者：
Kolar, Mladen;Song, Le;Xing, Eric P.
通讯作者：
Xing, Eric P.
DOI：
10.1073/pnas.0901910106
发表时间：
2009-07-21
影响因子：
11.1
作者：
Ahmed, Amr;Xing, Eric P.
通讯作者：
Xing, Eric P.
影响因子：
3.7
作者：
Peng J;Wang P;Zhou N;Zhu J
通讯作者：
Zhu J
影响因子：
1.1
作者：
Rothman, Adam J.;Bickel, Peter J.;Zhu, Ji
通讯作者：
Zhu, Ji