网络探索：自适应LASSO和SCAD惩罚
摘要：使用图形模型频繁地探索网络，例如基因网络，其中包含一组变量。这通常是通过探索所考虑变量的精度矩阵的稀疏性来实现的。在这种探索中经常使用惩罚似然方法。然而，精度矩阵的正定约束使得优化问题具有挑战性。我们引入非凹惩罚和自适应LASSO惩罚来减轻网络估计中的偏倚问题。通过对非凹惩罚函数进行局部线性近似，将精度矩阵估计问题重新构造为一系列带加权$L_1$惩罚的惩罚似然问题，并使用Friedman等人的高效算法[Biostatistics 9（2008）432-441]解决。我们的估计方案应用于两个真实数据集。模拟实验和渐近理论被用来证明我们提出的方法。
作者：Jianqing Fan, Yang Feng, Yichao Wu
论文ID：0908.2053
分类：Applications
分类简称：stat.AP
提交时间：2009-08-17