灵活、可扩展和高效的原始图形套索算法框架
摘要：可扩展的、高效的和统计学动机的计算框架用于Graphical Lasso（Friedman et al., 2007b）-一种协方差正则化框架，在过去几年中引起了统计学界的重视。现有的算法在超过千维的情况下难以进行扩展。我们的提议显著改进了中等规模问题的最新技术水平，并能够优雅地扩展到其他算法变得在实际上难以实施的更大规模问题。这需要一些关键的新思路。我们在原始问题上进行操作，并使用了一个微妙的块坐标法的变化，可以将计算复杂度大幅降低几个数量级。我们对算法的收敛性和复杂性提供了严格的理论保证，并通过实验证明了我们提议的有效性。我们相信，我们的框架将Graphical Lasso的适用范围扩展到大规模的现代应用，如生物信息学、协同过滤和社交网络等。
作者：Rahul Mazumder, Deepak K. Agarwal
论文ID：1110.5508
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-10-26