[发明专利]一种高斯图模型结构估计的分布式并行优化方法

权利要求书

1.一种高斯图模型结构估计的分布式并行优化方法，其特征在于，包括如下步骤：

步骤一：将样本矩阵按列分割成h个子矩阵，分别存储于h个计算节点上；

步骤二：选择一个子矩阵，从中取一列记作Y；将该子矩阵中的剩余列和其它子矩阵构成A；利用分布式坐标下降法对Lasso模型进行求解；

步骤三：使Y遍历所有子矩阵，同时对p个Lasso模型并行求解，即可得到输出矩阵；其中：p表示样本矩阵的随机变量数；

步骤四：将输出矩阵对称化，得到最终的输出矩阵，最终的输出矩阵与样本矩阵的高斯图模型具有相同的结构。

2.根据权利要求1所述的高斯图模型结构估计的分布式并行优化方法，其特征在于，利用分布式坐标下降法对Lasso模型进行求解的具体方法如下：

当一个计算节点在进行坐标更新的时，当前计算节点根据本地数据对本机需要维护的随机变量的坐标进行更新；此时，其它计算节点不对本组数据的其他坐标进行更新；当一个计算节点完成本机所有随机变量的坐标更新后，将这些坐标传递给下一计算节点，完成后续操作。

3.根据权利要求2所述的高斯图模型结构估计的分布式并行优化方法，其特征在于，坐标每次迭代更新的公式如下：

xi(k+1)=-Ai*x(k)-Aii*xi(k)+bi+λAii*Ai*x(k)-Aii*xi(k)+bi<-λxi(k+1)=-Ai*x(k)-Aii*xi(k)+bi-λAii*Ai*x(k)-Aii*xi(k)+bi>λxi(k+1)=0-λ≤Ai*x(k)-Aii*xi(k)+xi(k)+bi≤λ---(1)]]>

其中，x表示随机变量对应的回归系数，A^*＝A^TA，表示A^*的第i行向量，表示A^*的第i行、第i列所对应的元素，b＝-Y^TA，k表示当前迭代次数，λ表示正则化惩罚项系数。