An efficient ADMM algorithm for high dimensional precision matrix estimation via penalized quadratic loss
An efficient ADMM algorithm for high dimensional precision matrix estimation via penalized quadratic loss
复制标题
一种通过惩罚二次损失进行高维精度矩阵估计的高效 ADMM 算法
DOI：
10.1016/j.csda.2019.106812
复制
发表时间：
2018-11
影响因子：
1.8
通讯作者：
Binyan Jiang
中科院分区：
文献类型：
--
作者：
Cheng Wang;Binyan Jiang
高维精度矩阵的估计一直是统计学习中的一个中心课题。然而，由于参数的数量与维数p成二次关系，许多最先进的方法不能很好地解决具有非常大p的问题。在本文中，我们提出了一种非常有效的算法，通过惩罚二次损失函数进行精确矩阵估计。在高维低样本条件下，算法的计算复杂度与样本大小和参数个数成线性关系。这种计算复杂度在某种意义上是最优的，因为它与计算样本协方差矩阵所需的复杂度相同。数值研究表明，当维数p很大时，我们的算法比其他最先进的方法要有效得多。
The estimation of high dimensional precision matrices has been a central topic in statistical learning. However, as the number of parameters scales quadratically with the dimension p, many state-of-the-art methods do not scale well to solve problems with a very large p. In this paper, we propose a very efficient algorithm for precision matrix estimation via penalized quadratic loss functions. Under the high dimension low sample size setting, the computation complexity of our algorithm is linear in both the sample size and the number of parameters. Such a computation complexity is in some sense optimal, as it is the same as the complexity needed for computing the sample covariance matrix. Numerical studies show that our algorithm is much more efficient than other state-of-the-art methods when the dimension p is very large.
登录
查看更多内容
影响因子：
4.5
作者：
Zhang, Cun-Hui
通讯作者：
Zhang, Cun-Hui
DOI：
--
发表时间：
2013-12
期刊：
--
影响因子：
--
作者：
Cho-Jui Hsieh;Mátyás A. Sustik;I. Dhillon;Pradeep Ravikumar;R. Poldrack
通讯作者：
Cho-Jui Hsieh;Mátyás A. Sustik;I. Dhillon;Pradeep Ravikumar;R. Poldrack
影响因子：
4.5
作者：
H. Zou;Runze Li
通讯作者：
H. Zou;Runze Li
影响因子：
4.5
作者：
Zou, Hui;Li, Runze
通讯作者：
Li, Runze
影响因子：
2.7
作者：
Onkar Dalal;B. Rajaratnam
通讯作者：
Onkar Dalal;B. Rajaratnam