...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Information Theory >Robust Estimation of Latent Tree Graphical Models: Inferring Hidden States With Inexact Parameters
【24h】

Robust Estimation of Latent Tree Graphical Models: Inferring Hidden States With Inexact Parameters

机译：潜在树图形模型的鲁棒估计：推断具有不精确参数的隐藏状态

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Latent tree graphical models are widely used in computational biology, signal and image processing, and network tomography. Here, we design a new efficient, estimation procedure for latent tree models, including Gaussian and discrete, reversible models, that significantly improves on previous sample requirement bounds. Our techniques are based on a new hidden state estimator that is robust to inaccuracies in estimated parameters. More precisely, we prove that latent tree models can be estimated with high probability in the so-called Kesten–Stigum regime with $O(log^{2}n)$ samples, where $n$ is the number of nodes.
机译：潜在树图形模型广泛用于计算生物学，信号和图像处理以及网络层析成像。在这里，我们为潜在树模型（包括高斯模型和离散可逆模型）设计了一种新的有效估计程序，该程序可以显着改善以前的样本需求范围。我们的技术基于新的隐藏状态估计器，该估计器对于估计参数的不准确性具有鲁棒性。更准确地说，我们证明了在所谓的Kesten-Stigum体制中，使用<公式公式类型=“ inline”> $ O（log ^ {2} n ）$ 样本，其中 $ n $ 是节点数。

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