用于同步构建多个图模型的自适应噪声数据增强（PANDA）方法
统计方法学
2019-05-23 v2
摘要
我们扩展了Li等人（2018）提出的数据增强技术PANDA，该技术原本用于正则化单一图估计，现将其推广至在统一框架中联合学习具有多种节点类型的多个图模型。我们设计两类噪声来增强观测数据：第一类正则化每个图的估计，第二类促进跨图中相同位置边之间的结构相似性（称为联合群套索正则化）或数值相似性（称为联合融合岭正则化）。PANDA的计算直接明了，仅涉及以迭代方式获取广义线性模型中的极大似然估计量。模拟研究表明，对于高斯图模型，PANDA不劣于现有的联合估计方法；对于非高斯图模型，其显著优于朴素差分方法。我们将PANDA应用于真实肺癌微阵列数据，同步构建了四个蛋白质网络。
引用
@article{arxiv.1810.08361,
title = {AdaPtive Noisy Data Augmentation (PANDA) for Simultaneous Construction of Multiple Graph Models},
author = {Yinan Li and Xiao Liu and Fang Liu},
journal= {arXiv preprint arXiv:1810.08361},
year = {2019}
}