NOTMAD：估计具有样本特定结构与参数的贝叶斯网络
机器学习
2021-11-02 v1 人工智能
机器学习
摘要
情境特定的贝叶斯网络（即有向无环图，DAGs）可识别变量间依赖于情境的关系，但由无环性要求引发的非凸性使得在情境特定的估计量之间（例如借助图生成函数）共享信息变得困难。为此，现有推断情境特定贝叶斯网络的方法倾向于将数据集拆分为子样本，这限制了统计功效与分辨率，并妨碍了多维与潜在情境的使用。为克服这一挑战，我们提出NOTEARS优化的原型DAG混合模型（NOTMAD）。NOTMAD将情境特定的贝叶斯网络建模为一个函数的输出，该函数学习依据样本情境混合原型网络。原型网络与情境特定网络联合估计，且不需要任何先验知识。我们将无环性约束编码为一个平滑正则化损失，并将其反向传播至混合函数；借此，NOTMAD在情境特定的无环图之间共享信息，从而能够在甚至单样本分辨率下估计贝叶斯网络的结构与参数。我们通过分析与实验展示了NOTMAD及样本特定网络推断的效用，包括对应于癌症中形态变异的患者特定基因表达网络。
引用
@article{arxiv.2111.01104,
title = {NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters},
author = {Ben Lengerich and Caleb Ellington and Bryon Aragam and Eric P. Xing and Manolis Kellis},
journal= {arXiv preprint arXiv:2111.01104},
year = {2021}
}