• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Annual American Control Conference >Online Estimation of Sparse Inverse Covariances
【24h】

Online Estimation of Sparse Inverse Covariances

机译：稀疏反义义义的在线估算

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Gaussian graphical models have been well studied as a way to represent the relationships between various entities, and numerous algorithms have been proposed to learn the dependencies in such models. However, these algorithms process data in a batch, and may not be suitable for realtime estimation. In this paper, we propose an online sparse inverse covariance algorithm to infer the network structure (i.e., dependencies between nodes) in real-time from time-series data. Our approach is based on an alternating minimization algorithm and allows users to select the number of iterations per data point. We provide theoretical guarantees showing that the online estimates converge to that of the batch mode as the number of data increases and characterize its asymptotic rate of convergence. Finally, we evaluate our online algorithm on synthetic data sets.
机译：高斯图形模型已经很好地研究了代表各个实体之间的关系，并提出了许多算法来学习这些模型中的依赖性。 然而，这些算法在批次中处理数据，并且可能不适用于实时估计。 在本文中，我们提出了一个在线稀疏的反协方差算法来推断网络结构（即，节点之间的依赖性）从时间序列数据实时。 我们的方法基于交替的最小化算法，并允许用户选择每个数据点的迭代次数。 我们提供理论保证，显示在线估计随着数据的数量增加并表征其渐近率的收敛速率而汇集到批处理模式的保证。 最后，我们在合成数据集中评估我们的在线算法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号