Open Access
Translator Disclaimer
November 2016 Sparse Gaussian graphical mixture model
Lotsi ANANI, Ernst WIT
Afr. Stat. 11(2): 1041-1059 (November 2016). DOI: 10.16929/as/2016.1041.91

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.

Citation

Download Citation

Lotsi ANANI. Ernst WIT. "Sparse Gaussian graphical mixture model." Afr. Stat. 11 (2) 1041 - 1059, November 2016. https://doi.org/10.16929/as/2016.1041.91

Information

Published: November 2016
First available in Project Euclid: 20 January 2017

zbMATH: 1358.62054
MathSciNet: MR3599806
Digital Object Identifier: 10.16929/as/2016.1041.91

Subjects:
Primary: 62-09 , 62H12 , 62J07

Keywords: expectation maximization algorithm , Gaussian graphical mixture model , graphical lasso

Rights: Copyright © 2016 The Statistics and Probability African Society

JOURNAL ARTICLE
19 PAGES


SHARE
Vol.11 • No. 2 • November 2016
Back to Top