基于重抽样框架的高维数据网络结构学习
机器学习
2026-05-14 v1 基因组学
摘要
RSNet 是一个开源的 R 软件包，提供了一种基于重抽样的框架，用于从稳健且可解释的网络推断中从高维数据中提取网络结构，旨在解决高维数据中常见的样本量有限挑战。它支持作为高斯网络模型的偏相关网络估计，以及用于混合数据类型的条件高斯贝叶斯网络，这些数据类型结合了连续变量和离散变量。该框架集成了多种重抽样策略，包括自助抽样、抽样和基于簇的方法，以适应独立观测和相关观测。为增强可解释性，RSNet 集成了基于图基拓扑分析，该分析捕捉更高阶的连通性和边缘符号信息，使其能够实现单节点和子网络层面的洞察。值得注意的是，RSNet 是首个能够在稀疏网络上以近常数时间高效构建符号图基度向量矩阵 (GDVM) 的 R 软件包，提供了对更高阶网络结构的可扩展分析。总体而言，RSNet 提供了一个用于在高维数据中进行统计上可靠且可解释网络推断的多功能工具。
引用
@article{arxiv.2605.12706,
title = {A Resampling-Based Framework for Network Structure Learning in High-Dimensional Data},
author = {Ziwei Huang and Zeyuan Song and Paola Sebastiani and Stefano Monti},
journal= {arXiv preprint arXiv:2605.12706},
year = {2026}
}
备注
7 pages, 1 figure