基于网络的 L1 惩罚高斯图模型混合聚类：一项实证研究
机器学习
2013-01-11 v1 机器学习
统计方法学
摘要
在许多应用中，多元样本可能在条件独立性或网络结构层面存在先前未被识别的异质性。例如，在癌症生物学中，疾病亚型在分子成分之间的亚型特异性相互作用方面可能存在差异。因此，亚型发现和亚型特异性网络的估计构成了重要且相关的挑战。为了实现此类分析，我们提出了一种混合模型，其组分是稀疏高斯图模型。这将基于模型的聚类与图建模结合起来，以允许同时估计聚类分配和特定于聚类的网络。我们在 L1 惩罚框架内进行估计，并研究了多种特定的惩罚机制。我们展示了模拟数据上的实证结果，并为 L1 惩罚高斯图模型混合的构建和使用提供了一般性建议。
引用
@article{arxiv.1301.2194,
title = {Network-based clustering with mixtures of L1-penalized Gaussian graphical models: an empirical investigation},
author = {Steven M. Hill and Sach Mukherjee},
journal= {arXiv preprint arXiv:1301.2194},
year = {2013}
}
备注
A version of this work also appears in the first author's PhD Thesis (Sparse Graphical Models for Cancer Signalling, University of Warwick, 2012), which can be accessed at http://wrap.warwick.ac.uk/id/eprint/49626