含隐变量的稀疏网络推断：在基因调控网络中的应用
机器学习
2014-07-01 v1 机器学习
分子网络
定量方法
应用统计
摘要
网络是建模复杂系统的统一框架，网络推断问题在许多领域中频繁出现。在此，我开发并应用了一种针对网络稀疏且潜变量（未观测变量）影响观测变量情形的生成式网络推断方法 (RCweb)。在所有能解释数据方差的因子分析 (FA) 分解中，RCweb 选择了与稀疏底层网络一致的 FA 分解。稀疏性约束通过一种新颖方法施加，该方法在准确性、噪声鲁棒性、复杂度缩放和计算效率方面显著优于使用 l1 范数松弛的贝叶斯方法和最大似然估计 (MLE) 方法（如 K-SVD 和基于 l1 的稀疏主成分分析 (PCA)）。模拟模型的结果表明，对于低至 50% 的稀疏度（即非稀疏程度）以及未观测变量与观测变量之比高达 2 的情况，RCweb 均能精确恢复模型结构。RCweb 对噪声具有鲁棒性，随着噪声水平增加，其参数范围逐渐减小。
引用
@article{arxiv.1406.0193,
title = {Inference of Sparse Networks with Unobserved Variables. Application to Gene Regulatory Networks},
author = {Nikolai Slavov},
journal= {arXiv preprint arXiv:1406.0193},
year = {2014}
}
备注
8 pages, 5 figures