Module-based regularization improves Gaussian graphical models when observing noisy data

要約

研究者は、モデルをスパース化するために正則化を必要とするガウス グラフィカル モデルを使用して、多変量相関データの関係を表すことがよくあります。
彼らはしばしば推論されたネットワークのモジュラー構造を研究していることを認め、それを正則化強度の相互検証に統合して、アンダーフィッティングとオーバーフィッティングのバランスを取ることを提案します。
合成データと実際のデータを使用して、このアプローチにより、正規化強度の相互検証時にガウス対数尤度を使用する標準的なアプローチであるグラフィカルななげなわと比較して、ノイズの多いデータのモジュラー構造をより適切に回復および推測できることを示します。

要約(オリジナル)

Researchers often represent relations in multi-variate correlational data using Gaussian graphical models, which require regularization to sparsify the models. Acknowledging that they often study the modular structure of the inferred network, we suggest integrating it in the cross-validation of the regularization strength to balance under- and overfitting. Using synthetic and real data, we show that this approach allows us to better recover and infer modular structure in noisy data compared with the graphical lasso, a standard approach using the Gaussian log-likelihood when cross-validating the regularization strength.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google