Functional graphical models explore dependence relationships of random processes. This is achieved through estimating the precision matrix of the coefficients from the Karhunen-Loeve expansion. This paper deals with the problem of estimating functional graphs that consist of the same random processes and share some of the dependence structure. By estimating a single graph we would be shrouding the uniqueness of different sub groups within the data. By estimating a different graph for each sub group we would be dividing our sample size. Instead, we propose a method that allows joint estimation of the graphs while taking into account the intrinsic differences of each sub group. This is achieved by a hierarchical penalty that first penalizes on a common level and then on an individual level. We develop a computation method for our estimator that deals with the non-convex nature of the objective function. We compare the performance of our method with existing ones on a number of different simulated scenarios. We apply our method to an EEG data set that consists of an alcoholic and a non-alcoholic group, to construct brain networks.


翻译:功能图形模型探索随机过程的依附关系。 这是通过估计Karhunen-Loev 扩展系数的精确矩阵实现的。 本文涉及估算由相同随机过程组成的功能图的问题, 并分享部分依附结构。 通过估算单个图形, 我们将覆盖数据中不同子组的独特性。 通过估算每个子组的不同图形, 我们将会区分我们的样本大小。 相反, 我们建议一种方法, 允许在计算每个子组内在差异的同时对图表进行联合估算。 这是通过先在共同层次然后在单个层次上处罚的等级处罚来实现的。 我们为我们的估算器开发一种计算方法, 处理客观函数的非电解特性。 我们用我们的方法与现有方法的性能对不同模拟情景进行对比。 我们用我们的方法对由酒精和非酒精组构成的电离组数据集进行计算, 以构建大脑网络 。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关VIP内容
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员