高维中的祖先因果学习及其在人类全基因组中的应用
机器学习
2019-05-29 v1 机器学习
摘要
我们考虑在高维中学习祖先因果关系。我们的方法由监督学习的视角驱动，将因果关系的离散指示符视为可从可用数据中学习的标签。我们关注这样一种设定：其中某些因果（祖先）关系是已知的（通过背景知识或实验数据），并提出一种可扩展到大型问题的通用方法。其动机来自人类生物学中的问题，这些问题的特点是高维度和潜在许多潜变量。我们展示了一个涉及来自人类细胞的总维度 的干预数据的案例研究。通过针对先前未见的干预数据测试模型输出来经验性地评估性能。所提出的方法非常有效，并且可证明可扩展到人类全基因组设定。我们考虑对背景知识的敏感性，发现结果对输入信息的非平凡扰动具有鲁棒性。我们还考虑了与某些应用相关的情形，即唯一可用的先验信息涉及少量已知的祖先关系。
引用
@article{arxiv.1905.11506,
title = {Ancestral causal learning in high dimensions with a human genome-wide application},
author = {Umberto Noè and Bernd Taschler and Joachim Täger and Peter Heutink and Sach Mukherjee},
journal= {arXiv preprint arXiv:1905.11506},
year = {2019}
}