非正态分布：高维无向图的半参数估计
摘要：最近用于估计高维实值数据的稀疏无向图的方法在很大程度上依赖于正态性的假设。我们展示了如何使用半参数化高斯Copula——或者称为“非正常”——来进行高维推断。就像加性模型通过将线性函数替换为一组一维平滑函数来扩展线性模型一样，非正常通过将变量通过平滑函数进行转换来扩展正态分布。我们推导了一种用于估计非正常的方法，研究了该方法的理论性质，并展示了它在许多实例中的良好表现。
作者：Han Liu, John Lafferty and Larry Wasserman
论文ID：0903.0649
分类：Machine Learning
分类简称：stat.ML
提交时间：2009-03-05