通过缩放 Lasso 的高效 GPU-并行坐标下降算法用于稀疏精度矩阵估计
摘要：稀疏精度矩阵在高斯图模型中起着重要作用，因为零的非对角元素表示给定其他变量的条件独立性。在高斯图模型中，已经提出了许多方法，并给出了它们的理论性质。其中，通过缩放套索（SPMESL）进行稀疏精度矩阵估计具有吸引力的特点，即惩罚水平可自动设置以实现在稀疏性和可逆性条件下的最优收敛速率。相反，其他方法需要用于搜索最佳的调节参数。尽管有这样的优势，但由于计算成本高昂，SPMESL并未广泛使用。在本文中，我们开发了一个针对SPMESL的GPU并行坐标下降（CD）算法，并通过数值实验证明所提出的算法比适用于SPMESL的最小角回归（LARS）要快得多。进行了几项全面的数值研究，以研究所提出算法的可扩展性和SPMESL的估计性能。研究结果表明，在所有情况下，SPMESL具有最低的误发现率，并且在列的稀疏水平高时具有最佳性能。
作者：Seunghwan Lee, Sang Cheol Kim, Donghyeon Yu
论文ID：2203.15031
分类：Computation
分类简称：stat.CO
提交时间：2022-03-30