Les auteurs se penchent sur le problème de détection des arêtes dans les modèles graphiques non paranormaux en haute dimension. Ils transforment d'abord le modèle graphique non paranormal en un modèle graphique gaussien, puis ils proposent une méthode de sélection séquentielle par paires avec mise à l'échelle (SSPÉ) qu'ils appliquent au modèle transformé. La SSPÉ est une approche de détection par voisinage basée sur des modèles conditionnels de régression. Le vecteur réponse de chaque modèle est d'abord mis à l'échelle, puis les vecteurs réponses sont combinés en un seul modèle. Dans ce modèle unique, les attributs sont sélectionnés par une procédure séquentielle par paires qui reflète la symétrie intrinsèque des arêtes. À chaque étape de la procédure, le vecteur des résidus courants est projeté sur l'espace généré par chaque paire de colonnes de la matrice de design, ce qui respecte la symétrie des arêtes, puis la paire dont la projection a la plus grande norme est ajoutée à l'ensemble d'arêtes sélectionnées. Le BIC généralisé sert de critère d'arrêt pour la procédure séquentielle. Les auteurs établissent la convergence de la sélection effectuée par la SSPÉ. Ils procèdent à des simulations et à l'analyse de données réelles pour comparer la SSPÉ aux méthodes existantes. Leurs simulations montrent que la SSPÉ offre de meilleures performances que les autres méthodes tout en possédant de meilleures qualités computationnelles. La revue canadienne de statistique 44: 25–43; 2016 © 2016 Société statistique du Canada