BIMSA >
BIMSA Digital Economy Lab Seminar
Signal-Adaptive Joint Graphical Model Learning via Dynamic Regularization
Signal-Adaptive Joint Graphical Model Learning via Dynamic Regularization
演讲者
时间
2025年11月28日 15:00 至 16:00
地点
A3-2-303
线上
Zoom 435 529 7909
(BIMSA)
摘要
联合估计多个图模型（即多个精度矩阵）已成为统计学领域的重要研究方向。与分别估计相比，联合估计能够利用多个图之间的共享结构，从而获得更为精确的结果。这种思想在经济学中同样具有重要意义，例如在多个地区、多个行业或多个市场条件下研究相互依赖关系时，不同系统之间往往既共享部分结构特征，又存在差异，联合估计能够更有效地捕捉这种“共性与异质性并存”的结构。
在本文中，我们提出了一种高效且无需调参的联合图模型估计方法，称为 MIGHT（Multi-task Iterative Graphical Hard Thresholding，多任务迭代图形硬阈值方法）。我们将联合模型重新表述为一系列按列分解的多任务学习问题，并通过基于硬阈值算子的迭代算法加以求解。
在理论方面，我们给出了该方法的非渐近误差界，并证明在适当的信号条件下，该方法能够实现选择一致性与改进的误差上界，并具有渐近正态性——这些性质在现有联合图模型估计文献中很少被深入探讨。通过数值模拟和真实的癌症基因表达 RNA-seq 数据分析，我们进一步验证了该方法的优越性能。更广泛地，我们的方法为跨系统、跨区域数据中的联合结构学习提供了一种可推广的工具，也为经济网络、区域联动效应等经济学问题的研究提供了新的建模思路。
在本文中，我们提出了一种高效且无需调参的联合图模型估计方法，称为 MIGHT（Multi-task Iterative Graphical Hard Thresholding，多任务迭代图形硬阈值方法）。我们将联合模型重新表述为一系列按列分解的多任务学习问题，并通过基于硬阈值算子的迭代算法加以求解。
在理论方面，我们给出了该方法的非渐近误差界，并证明在适当的信号条件下，该方法能够实现选择一致性与改进的误差上界，并具有渐近正态性——这些性质在现有联合图模型估计文献中很少被深入探讨。通过数值模拟和真实的癌症基因表达 RNA-seq 数据分析，我们进一步验证了该方法的优越性能。更广泛地，我们的方法为跨系统、跨区域数据中的联合结构学习提供了一种可推广的工具，也为经济网络、区域联动效应等经济学问题的研究提供了新的建模思路。