通过建模图结构增强高斯图模型推断的效力
统计方法学
2024-03-01 v1
摘要
针对高斯图模型 (GGM) 的推断问题，本文探讨了多重检验文献中一种用于图推断的最新方法的应用。Rebafka 等人 (2022) 提出的该方法的核心思想是利用潜变量模型（即所谓的噪声随机块模型，NSBM）对数据进行建模，然后利用相关的 -值来推断图结构。所推断出的图能够控制错误发现率，这意味着被错误声明的边的比例不超过用户定义的标称水平。本文证明了 GGM 文献中的任何检验统计量均可作为 NSBM 方法的输入以执行 GGM 推断。为了使该方法在实践中可行，我们开发了一种新的、计算高效的 NSBM 推断算法，该算法依赖于贪婪方法来最大化积分完全数据似然。随后，广泛的数值研究表明，对于此处考虑的任何 GGM 检验统计量，NSBM 方法均优于现有技术。特别是在稀疏设置和真实数据集上，观察到了显著的效力提升。
引用
@article{arxiv.2402.19021,
title = {Enhancing the Power of Gaussian Graphical Model Inference by Modeling the Graph Structure},
author = {Valentin Kilian and Tabea Rebafka and Fanny Villers},
journal= {arXiv preprint arXiv:2402.19021},
year = {2024}
}