Afrika Statistika

  • Afr. Stat.
  • Volume 11, Number 2 (2016), 1041 -1059.

Sparse Gaussian graphical mixture model

Lotsi ANANI and Ernst WIT

Full-text: Access denied (no subscription detected) We're sorry, but we are unable to provide you with the full text of this article because we are not able to identify you as a subscriber. If you have a personal subscription to this journal, then please login. If you are already logged in, then you may need to update your profile to register your subscription. Read more about accessing full-text

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.

Résumé

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.

Article information

Source
Afr. Stat. Volume 11, Number 2 (2016), 1041 -1059.

Dates
First available in Project Euclid: 20 January 2017

Permanent link to this document
https://projecteuclid.org/euclid.as/1484881314

Digital Object Identifier
doi:10.16929/as/2016.1041.91

Zentralblatt MATH identifier
06678144

Subjects
Primary: 62-09: Graphical methods 62H12: Estimation 62J07: Ridge regression; shrinkage estimators

Keywords
Gaussian graphical mixture model Expectation maximization algorithm Graphical LASSO

Citation

ANANI, Lotsi; WIT, Ernst. Sparse Gaussian graphical mixture model. Afr. Stat. 11 (2016), no. 2, 1041 --1059. doi:10.16929/as/2016.1041.91. https://projecteuclid.org/euclid.as/1484881314.


Export citation