Abstract
[Ita:]La sovra-parametrizzazione dei modelli di mistura Gaussiani, che rapp-
resentano un approccio probabilistico al clustering, mette a rischio la loro utilit`a in
dimensioni elevate. Per questo motivo sono state proposte strategie di stima penaliz-
zate che permettono di gestire matrici di precisioni di grandi dimensioni, sfruttando
il legame tra modelli grafici Gaussiani e modelli mistura. Questi metodi, assumendo
sparsit`a simile tra tutte le componenti, falliscono quando la struttura di dipendenza
varia di gruppo in gruppo. La nostra proposta, penalizzando una trasformazione
delle matrici di precisione differente per ogni componente, gestisce situazioni in
cui il numero di connessioni tra le variabili `e diverso tra i gruppi. La validit`a del
metodo `e evidenziata grazie ad un’applicazione a dati reali
Lingua originale | English |
---|---|
Titolo della pubblicazione ospite | SIS 2022 | Book of Short Papers |
Pagine | 534-539 |
Numero di pagine | 6 |
Stato di pubblicazione | Pubblicato - 2022 |
Evento | Scientific Meeting of the Italian Statistical Society - Caserta Durata: 22 giu 2022 → 24 giu 2022 |
Convegno
Convegno | Scientific Meeting of the Italian Statistical Society |
---|---|
Città | Caserta |
Periodo | 22/6/22 → 24/6/22 |
Keywords
- Model-based clustering
- Gaussian graphical models
- EM algorithm
- Graphical lasso