GraphSPME: 马尔可夫精度矩阵估计与渐近型斯坦-类型收缩
摘要：GraphSPME：一种实现非参数稀疏精度矩阵估计以及协方差矩阵渐近Stein缩减估计的开源Python、R和C++头文件包。用户定义潜在的邻域结构并提供可能是p>>n的数据。本文介绍了一种寻找潜在马尔可夫性质的最佳顺序（数据允许估计）的新方法。算法已在该包中实施，克服了用户做出马尔可夫假定并实施相应复杂的高阶邻域结构的问题。通过同时利用马尔可夫性质和Stein缩减，实现了准确稳定的估计。Stein缩减的渐近结果确保以自动方式获得非奇异、且条件良好的矩阵。最终对称转换生成对称正定估计。此外，通过利用基于马尔可夫假设下的精度矩阵的稀疏性，实现了高效可扩展到非常高维问题（~10^7）的估计例程。在实现上，通过利用Eigen C++线性代数库提供的稀疏性可能性来利用稀疏性。该包及示例可在https://github.com/equinor/GraphSPME上找到。
作者：Berent {AA}nund Str{o}mnes Lunde, Feda Curic, Sondre Sortland
论文ID：2205.07584
分类：Computation
分类简称：stat.CO
提交时间：2022-05-17