Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Lasso đồ thị nhiều tác vụ và ứng dụng của nó trong phân loại quỹ
Tóm tắt
Ước lượng hiệp phương sai nghèo, tức là Lasso đồ thị, tiết lộ cấu trúc nền tảng của đồ thị cho một tập hợp các biến dựa trên các quan sát của chúng. Các đồ thị ước lượng có thể giúp thực hiện một loạt các nhiệm vụ hạ nguồn với các kỹ thuật khai thác đồ thị. Lasso đồ thị nhiều tác vụ được thiết kế để ước lượng đồng thời các đồ thị chia sẻ một tập hợp các biến giống nhau, nhưng nó không đủ khả năng xử lý tình huống khi các nhiệm vụ này bao gồm các biến khác nhau. Để khắc phục hạn chế này, chúng tôi đề xuất Lasso đồ thị nhiều tác vụ có thuộc tính (MAGL) để đồng thời học đồ thị với các quan sát và thuộc tính. Cụ thể, chúng tôi giới thiệu hai triển khai cụ thể, tức là MAGL-LogDet và MAGL-HSIC, trong đó độ phân kỳ LogDet và tiêu chí độc lập Hilbert-Schmidt được sử dụng tương ứng để khám phá các mối quan hệ tiềm ẩn giữa các thuộc tính của các biến và cấu trúc liên kết giữa các biến. Kết quả thực nghiệm cho thấy hiệu quả của MAGL-LogDet và MAGL-HSIC. Sau đó, chúng tôi áp dụng MAGL cho dữ liệu quỹ và ước lượng đồ thị chứng khoán cho từng quỹ. Chúng tôi phân loại các quỹ bằng các mạng nơ-ron đồ thị trên các đồ thị được ước lượng và chứng minh rằng chúng tôi có thể hưởng lợi từ MAGL trong các nhiệm vụ hạ nguồn.
Từ khóa
#Lasso đồ thị #ước lượng hiệp phương sai nghèo #đồ thị nhiều tác vụ #lớp họ thuộc tính #phân loại quỹTài liệu tham khảo
Huang, S., Li, J., Sun, L., Ye, J., Fleisher, A., Wu, T., Chen, K., Reiman, E.: Alzheimer’s Disease NeuroImaging Initiative, others. Learning brain connectivity of alzheimer’s disease by sparse inverse covariance estimation. Neuroimage 50(3), 935–949 (2010)
Fan, J., Liao, Y., Liu, H: An overview of the estimation of large covariance and precision matrices. Economet J 19(1) (2016)
Giudici, P., Spelta, A.: Graphical network models for international financial flows. J. Bus. Econ. Stat. 34(1), 128–138 (2016)
Zhang, Y., Xiong, Y., Liu, X., Kong, X., Zhu, Y.: Meta-path graphical lasso for learning heterogeneous connectivities. In: SDM, pp. 642–650 (2017)
Yin, H., Liu, X., Kong, X.: Coherent graphical lasso for brain network discovery. In: ICDM (2018)
Mantegna, R.N.: Hierarchical structure in financial markets. Eur. Phys. J. B-Cond. Matter Complex Syst. 11(1), 193–197 (1999)
Friedman, J., Hastie, T., Tibshirani, R.: Sparse inverse covariance estimation with the graphical lasso. Biostatistics 9(3), 432–441 (2008)
Lee, W., Liu, Y.: Joint estimation of multiple precision matrices with common structures. JMLR 16(1), 1035–1062 (2015)
Hara, S., Washio, T.: Common substructure learning of multiple graphical gaussian models. In: ECMLPKDD, pp. 1–16 (2011)
Danaher, P., Wang, P., Witten, D. M.: The joint graphical lasso for inverse covariance estimation across multiple classes. J. R. Stat. Soc Ser. B Stat. Methodol. 76(2), 373–397 (2014)
Yang, S., Lu, Z., Shen, X., Wonka, P., Ye, J.: Fused multiple graphical lasso. SIOPT 25(2), 916–943 (2015)
Tao, Q., Huang, X., Wang, S., Xi, X., Li, L.: Multiple Gaussian graphical estimation with jointly sparse penalty. Signal Process. 128, 88–97 (2016)
Kulis, B., Sustik, M., Dhillon, I.: Learning low-rank kernel matrices. In: ICML, pp. 505–512 (2006)
Gretton, A., Bousquet, O., Smola, A., Schölkopf, B.: Measuring statistical dependence with Hilbert-Schmidt norms. In: Int. Conf. Algorithmic Learning Theory, vol. 16, pp. 63–78. Springer (2005)
Kipf, T. N., Welling, M.: Semi-supervised classification with graph convolutional networks. arXiv:1609.02907 (2016)
Hsieh, C., Sustik, M. A., Dhillon, I. S., Ravikumar, P.D.: QUIC: Quadratic approximation for sparse inverse covariance estimation. JMLR 15(1), 2911–2947 (2014)
Yuan, X.: Alternating direction methods for sparse covariance selection. Optimization Online (2009)
Mazumder, R., Hastie, T.: The graphical lasso: New insights and alternatives. EJS 6, 2125 (2012)
Cai, T., Liu, W., Luo, X.: A constrained l1 minimization approach to sparse precision matrix estimation. JASA 106(494), 594–607 (2011)
Witten, D. M., Friedman, J. H., Simon, N.: New insights and faster computations for the graphical lasso. J. Comput. Graph. Stat. 20(4), 892–900 (2011)
Grechkin, M., Fazel, M., Witten, D., Lee, S.: Pathway graphical lasso. In: AAAI, pp. 2617–2623 (2015)
Guo, J., Levina, E., Michailidis, G., Zhu, J.: Joint estimation of multiple graphical models. Biometrika 98(1), 1–15 (2011)
Yu, K, Guo, X., Liu, L., Li, J., Wang, H., Ling, Z., Wu, X: Causality-based feature selection: Methods and evaluations. ACM Computing Surveys (CSUR) 53(5), 1–36 (2020)
Christina, H.-D., Nicolai, M., Jonas, P.: Invariant causal prediction for nonlinear models. J. Causal Inference 6(2) (2018)
Zhu, S., Ng, I, Chen, Z: Causal discovery with reinforcement learning. arXiv:1906.04477 (2019)
Wu, Z, Pan, S, Long, G, Jiang, J, Chang, X, Zhang, C.: Connecting the dots Multivariate time series forecasting with graph neural networks. In: Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 753–763 (2020)
Ying, R., You, J., Morris, C., Ren, X.: William l hamilton, and jure leskovec: Hierarchical graph representation learning with differentiable pooling. arXiv:1806.08804 (2018)
Cao, D., Wang, Y., Duan, J., Zhang, C., Zhu, X., Huang, C., Tong, Y., Xu, B., Bai, J., Tong, J., et al.: Spectral temporal graph neural network for multivariate time-series forecasting. Adv. Neural Inf. Process. Syst, 33 (2020)
Bai, L., Yao, L., Li, C., Wang, X., Wang, C.: Adaptive graph convolutional recurrent network for traffic forecasting. arXiv:2007.02842 (2020)
Davis, J. V., Dhillon, I. S.: Differential entropic clustering of multivariate gaussians. In: NeurIPS, pp. 337–344 (2007)
Barshan, E., Ghodsi, A., Azimifar, Z., Jahromi, M. Z.: Supervised principal component analysis: visualization, classification and regression on subspaces and submanifolds. Pattern Recogn. 44(7), 1357–1371 (2011)
Zhang, Y., Xiong, Y., Kong, X., Liu, X., Zhu, Y.: Multi-task attributed graphical lasso. In: APWeb-WAIM, pp. 670–684 (2020)
Cristianini, N., Shawe-Taylor, J.: An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press (2000)
Kang, Z., Peng, C., Cheng, J., Cheng, Q.: Logdet rank minimization with application to subspace clustering. Comput Intel Neurosc 2015, 68 (2015)
Lutkepohl, H.: Handbook of matrices. Comput. Stat. Data Anal. 2 (25), 243 (1997)
Sun, Y., Han, J., Gao, J., itopicmodel, Y. Y. u.: Information network-integrated topic modeling. In: ICDM, pp. 493–502 (2009)
Gentles, A. J., Plevritis, S. K., Majeti, R., Alizadeh, A. A.: Association of a leukemic stem cell gene expression signature with clinical outcomes in acute myeloid leukemia. JAMA 304(24), 2706–2715 (2010)
Haferlach, T., Kohlmann, A., Wieczorek, L., Basso, G., Te Kronnie, G., Béné, M., De, VJ., Hernández, J. M., Hofmann, W., Mills, K. I., et al.: Clinical utility of microarray-based gene expression profiling in the diagnosis and subclassification of leukemia: report from the international microarray innovations in leukemia study group. Int. J. Clin. Oncol. 28(15), 2529–2537 (2010)
Maaten, L. V. D., Hinton, G.: Visualizing data using t-sne. JMLR 9, 2579–2605 (2008)
Xu, K., Li, C., Tian, Y., Sonobe, T., Kawarabayashi, K.-I., Jegelka, S.: Representation learning on graphs with jumping knowledge networks. In: International Conference on Machine Learning, pp. 5453–5462. PMLR (2018)
Hochreiter, S., Schmidhuber, J.: Long short-term memory. Neural Comput. 9(8), 1735–1780 (1997)
Li, Z, Wang, X, Li, J, Zhang, Q: Deep attributed network representation learning of complex coupling and interaction. Knowl-Based Syst 212, 106618 (2021)