基于阈值化图拉普拉斯高斯先验的贝叶斯网络标记选择
统计方法学
2018-10-02 v1 统计理论
统计理论
摘要
在大规模网络上选择信息节点在许多研究领域日益重要。大多数现有方法关注局部网络结构，且对大规模问题带来沉重计算成本。本文中，我们在广义线性模型（GLM）框架下提出一种用于贝叶斯网络标记选择的新先验模型：阈值化图拉普拉斯高斯（TGLG）先验，其采用图拉普拉斯矩阵刻画相邻标记间的条件依赖，从而考虑全局网络结构。在温和条件下，我们证明所提模型在网络的边数与节点数发散时具有后验一致性。我们还开发了 Metropolis-adjusted Langevin 算法（MALA）以进行高效后验计算，该算法可扩展至大规模网络。我们通过大量模拟研究以及对癌症基因组图谱（TCGA）中乳腺癌基因表达数据集的分析，说明了所提方法相对于现有替代方法的优越性。
引用
@article{arxiv.1810.00274,
title = {Bayesian network marker selection via the thresholded graph Laplacian Gaussian prior},
author = {Qingpo Cai and Jian Kang and Tianwei Yu},
journal= {arXiv preprint arXiv:1810.00274},
year = {2018}
}