Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Efficient Covariance Appr… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Efficient Covariance Approximations for Large Sparse Precision Matrices

Artikel i vetenskaplig tidskrift
Författare P. Siden
F. Lindgren
David Bolin
M. Villani
Publicerad i Journal of Computational and Graphical Statistics
Volym 27
Nummer/häfte 4
Sidor 898-909
ISSN 1061-8600
Publiceringsår 2018
Publicerad vid Institutionen för matematiska vetenskaper
Sidor 898-909
Språk en
Länkar dx.doi.org/10.1080/10618600.2018.14...
Ämnesord Gaussian Markov random fields, Selected inversion, Sparse precision matrix, Spatial analysis, bayesian-inference, entries, inverse, estimator, models
Ämneskategorier Sannolikhetsteori och statistik

Sammanfattning

The use of sparse precision (inverse covariance) matrices has become popular because they allow for efficient algorithms for joint inference in high-dimensional models. Many applications require the computation of certain elements of the covariance matrix, such as the marginal variances, which may be nontrivial to obtain when the dimension is large. This article introduces a fast Rao-Blackwellized Monte Carlo sampling-based method for efficiently approximating selected elements of the covariance matrix. The variance and confidence bounds of the approximations can be precisely estimated without additional computational costs. Furthermore, a method that iterates over subdomains is introduced, and is shown to additionally reduce the approximation errors to practically negligible levels in an application on functional magnetic resonance imaging data. Both methods have low memory requirements, which is typically the bottleneck for competing direct methods.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?