多源非Paranormal图模型中差分网络的高效学习
机器学习
2024-10-04 v1
摘要
本文解决的是在两类非Paranormal图模型之间学习稀疏结构变化或差分网络的问题。我们假设可获得每类的多源异构数据集，其中所有非Paranormal图模型的协方差矩阵均相同。由此，由差分精度矩阵编码的差分网络可通过优化配备Lasso惩罚项的D-迹损失函数来解码。为此，提出了一种高效方法，能够输出精确的解路径，优于仅在预选正则化参数上抽样的先前方法。值得注意的是，本文提出的方法在差分网络稀疏时具有较低的计算复杂度。我们对合成数据的仿真实验表明，本策略在速度和准确性方面优于现有方法。此外，我们的策略在从多个数据源组合数据集方面，在解决实际问题时表现出色。这一结论在基于肿瘤癌症药物抗性的实验结果得到进一步支撑。
关键词
引用
@article{arxiv.2410.02496,
title = {Efficient learning of differential network in multi-source non-paranormal graphical models},
author = {Mojtaba Nikahd and Seyed Abolfazl Motahari},
journal= {arXiv preprint arXiv:2410.02496},
year = {2024}
}