一种用于估计多个稀疏高斯或非参数正态图模型的约束L1最小化方法
机器学习
2017-09-19 v6 人工智能
机器学习
摘要
从聚合数据中识别特定上下文的实体网络是一项重要任务，常出现在生物信息学和神经影像学中。在计算上，该任务可表述为从多个上下文聚合样本中联合估计多个不同但相关的稀疏无向图模型（UGM）。以往的联合UGM研究大多集中于稀疏高斯图模型（sGGMs），且无法直接识别特定上下文的边模式。因此，我们提出一种新方法SIMULE（显式检测多图的共享与个体部分），通过约束L1最小化来学习多UGM。SIMULE自动推断每个上下文独有的特定边模式以及所有上下文间保留的共享交互。通过L1约束形式化，该问题被转化为多个独立的线性规划子任务，可高效并行求解。除高斯数据外，SIMULE还能处理多元非参数正态数据，这极大地放宽了许多实际应用不遵循的正态性假设。我们提供了一个新颖的理论证明，表明SIMULE以速率O(log(Kp)/n_{tot})达到一致结果。在多个合成数据集和两个生物医学数据集上，SIMULE相较于最先进的多sGGM和单UGM基线方法均显示出显著改进。
引用
@article{arxiv.1605.03468,
title = {A constrained L1 minimization approach for estimating multiple Sparse Gaussian or Nonparanormal Graphical Models},
author = {Beilun Wang and Ritambhara Singh and Yanjun Qi},
journal= {arXiv preprint arXiv:1605.03468},
year = {2017}
}
备注
Extended Journal Version / Previously @ ICML 2016 comp. bio workshop