论文部分内容阅读
图模型(如BayseianNetworks)是描述高维变量之间相互关系的一种重要工具。但是，在生物信息等研究中，所观测到的变量数目常常远大于样本量，这使得传统的图模型建网方法不可行。本文考虑了高斯图模型(GraphicalGaussianModels)，运用经验似然理论，提出了非参数的边检验方法，在一定程度上，能够利用这种特殊的数据来恢复网络的结构。同时，对网络的偏相关系数矩阵，本文也给出了新的估计方法，估计量不仅能够保持正定，而且还是非病态的(Well-conditioned)。最后的数值模拟评价了上述结果。