多种稀疏矩阵高斯图形模型的联合学习

我们考虑对多个稀疏矩阵高斯图形模型进行联合学习,并提出联合矩阵图形套索以发现不同条件下矩阵变量中行(列)之间的条件独立性结构。 所提出的方法在不同的图形模型之间借用了强度,并且分别基于惩罚行和列精度矩阵的最大似然性。 特别是,我们的模型比联合矢量图形模型更简洁和灵活。 此外,我们建立了模型在一致性和稀疏性上的渐近性质。1渐近分析表明,与联合矢量图形模型相比,我们的模型具有更好的收敛速度。 大量的仿真实验表明,在识别图形结构和估计精度矩阵方面,我们的方法优于最新方法。 此外,我们的方法的有效性还通过真实的数据集分析得到了说明。