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。