用于生物网络结构分类的贝叶斯拓扑学习
机器学习
2020-09-28 v1 机器学习
定量方法
摘要
肌动蛋白细胞骨架网络由于网络孔洞在数量、大小和形状上的自然变化而产生局部拓扑特征。持续同调是一种探索数据这些拓扑性质并将其总结为持续图的方法。在本工作中，我们通过将这些丝状网络转化为持续图来分析和分类，并利用持续图空间上的贝叶斯框架量化其变异性。所提出的广义贝叶斯框架采用持续图的独立同分布簇点过程刻画，并依赖于替换似然论证。该框架可灵活地对持续图中点的后验基数分布与后验空间分布同时估计。在分别以前高斯混合与二项为先验强度与先验基数的假设下，我们给出了后验的闭式解。利用此后验计算，我们实现了一种贝叶斯因子算法来对肌动蛋白丝状网络进行分类，并与若干最先进的分类方法进行了基准比较。
引用
@article{arxiv.2009.11974,
title = {Bayesian Topological Learning for Classifying the Structure of Biological Networks},
author = {Vasileios Maroulas and Cassie Putman Micucci and Farzana Nasrin},
journal= {arXiv preprint arXiv:2009.11974},
year = {2020}
}
备注
30 pages and 10 figures