含侵蚀性测量数据的图模型推断

在本文中，我们研究了一种称为侵蚀性测量（指不规则测量或观测的数据）的新设定下的高斯图模型推断问题。对于图而言，这导致不同节点对具有差异巨大的样本量，这种情况频繁出现在数据整合、基因组学、神经科学和传感器网络中。现有工作使用最小成对样本量来刻画图选择性能，这对侵蚀性测量数据几乎无洞察力，且尚无适用的推断方法。我们旨在通过提出首个刻画由侵蚀性测量引起的图上不同不确定性水平的推断方法来填补这一空白，该方法命名为 GI-JOE（联合观测侵蚀时的图推断）。具体而言，我们开发了边级推断方法及附属的 FDR 控制流程，其中每条边的方差依赖于对应邻节点的样本量。得益于精细的局部边级分析并解耦图中的跨边依赖，我们证明了在侵蚀性测量下的统计有效性。最后，通过模拟研究和一个真实神经科学数据实例，我们展示了所提推断方法在从侵蚀性测量数据中进行图选择时的优势。