基于双组尖峰-厚板先验的贝叶斯协变量相关图学习
统计方法学
2025-04-04 v2
摘要
协变量相关图学习在用于分析异构数据的图建模文献中引起了越来越多的兴趣。然而，这项任务对建模、计算效率和可解释性都提出了挑战。感兴趣的参数可以自然地表示为一个三维数组，其元素可以根据两个方向进行分组，分别对应节点级别和协变量级别。在本文中，我们提出了一种新颖的双组尖峰-厚板先验，它能够在协变量级别和节点级别以及个体（局部）级别实现多层次的稀疏性选择。我们引入了一种嵌套策略，通过特定选择来解决不同分组方向带来的独特挑战。对于后验推断，我们为所有参数开发了一个无需调参的吉布斯采样器，这缓解了在高维图模型中经常遇到的参数调整困难，并便于常规实现。通过模拟研究，我们证明了所提出的模型在图恢复的准确性上优于现有方法。我们通过一个微生物组数据的应用展示了我们模型的实用性，在该应用中，我们试图更好地理解微生物之间的相互作用以及这些相互作用如何受到相关协变量的影响。
引用
@article{arxiv.2409.17404,
title = {Bayesian Covariate-Dependent Graph Learning with a Dual Group Spike-and-Slab Prior},
author = {Zijian Zeng and Meng Li and Marina Vannucci},
journal= {arXiv preprint arXiv:2409.17404},
year = {2025}
}