Sparse Gaussian graphical mixture model

Abstract

This paper considers the problem of networks reconstruction from heterogeneous data using a Gaussian Graphical Mixture Model (GGMM). It is well known that parameter estimation in this context is challenging due to large numbers of variables coupled with the degenerate nature of the likelihood. We propose as a solution a penalized maximum likelihood technique by imposing an l1 penalty on the precision matrix. Our approach shrinks the parameters thereby resulting in better identifiability and variable selection.

Cet article considère le probléme de la reconstruction de réseaux à partir de données hétérogènes en utilisant le modèle graphique gaussien mélangé (GGMM en Anglais). Il est connu que l'estimation paramétrique, dans ce contexte, n'est pas aisé à cause du grand nombre de variable et de la nature dégénérée de la vraisemblance. Nous proposons comme une solution une méthode de pénalisation du maximum de vraisemblance en imposant une pénalité de type l1 sur la précision de la matrice. Notre méthode réduit les paramétres et ainsi aboutit à une meilleure identification et à un meilleur choix des variables.