偏相关图模型中的枢纽发现
统计理论
2011-10-12 v2 统计理论
摘要
本文研究了在偏相关矩阵对应的偏相关图中，筛选 p 维样本中强连接且多连接的顶点的问题。该问题被称为枢纽筛选（hub screening），在从网络安全到计算生物学、金融及社交网络等诸多应用中至关重要。在网络安全领域，与邻近节点呈现高相关性的枢纽节点可能预示着异常活动，如协调式洪水攻击。在计算生物学领域，基因表达相关图中的枢纽集合可作为药物治疗的潜在靶点，以阻断特定通路或调节宿主反应。在金融领域，枢纽可能指示脆弱的金融工具或部门，其崩溃可能对市场产生重大影响。在社交网络领域，犯罪嫌疑人间观察到的交互枢纽可能是有影响力的幕后主使。本文提出的技术与理论使得对此类枢纽进行可扩展且可靠的筛选成为可能。本文扩展了我们此前关于相关性筛选的工作 [arXiv:1102.1204]，将其应用于更具挑战性的偏相关筛选问题，即针对具有高连接度变量的筛选。具体而言，我们考虑了：1) 扩展至筛选超过指定幅度的偏相关这一更困难的问题；2) 扩展至筛选在相关偏相关图（通常称为浓度图）中顶点度超过指定度的变量。
引用
@article{arxiv.1109.6846,
title = {Hub discovery in partial correlation graphical models},
author = {Alfred Hero and Bala Rajaratnam},
journal= {arXiv preprint arXiv:1109.6846},
year = {2011}
}
备注
23 pages, 4 figures, 1 table. Revision corrects minor errors in the original arXiv submission