非高斯数据也能建图模型！新算法精准还原网络结构
Student Copula Markov Networks
📖 AI 总结
这篇论文将概率图模型的适用范围从高斯数据拓展到非高斯情形。作者首先用Copula密度刻画了无向概率图模型中的成对马尔可夫性质，并在此基础上推导出Student Copula马尔可夫网络满足成对马尔可夫性质的一个必要条件。为完成带惩罚的最大似然估计与图结构选择，论文提出了一种期望条件最大化（ECM）算法。模拟实验表明，该算法在估计模型参数和恢复潜在图结构两方面均表现有效。这项工作的意义在于，借助Copula框架为厚尾、非高斯数据下的图模型学习提供了理论刻画与可操作的估计算法，拓展了马尔可夫网络在实际数据中的应用边界。
🔑 关键词速览
| Copula | 一种描述变量间依赖结构的函数，能将边缘分布与联合分布联系起来。 |
| Markov Networks | 无向概率图模型，用无向图表示变量间的条件独立关系。 |
| Pairwise Markov Property | 成对马尔可夫性质，指图中不相邻的节点在给定其他节点时条件独立。 |
| Student Copula | 基于Student t分布的Copula，常用于建模具有厚尾依赖的数据。 |
| ECM Algorithm | 期望条件最大化算法，是EM算法的一种变体，用于简化M步的优化。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅