多高维数据类逆协方差矩阵的靶向融合岭估计
统计方法学
2020-03-27 v2 分子网络
机器学习
摘要
我们考虑从由不同类组成的高维数据中联合估计多个逆协方差矩阵的问题。采用了一种 -惩罚极大似然方法。所建议的方法灵活且通用，将其他几种 -惩罚估计量作为特例纳入其中。此外，该方法允许指定靶矩阵，通过靶矩阵可以融入先验知识，并能在高维设置下稳定估计过程。其结果是一个靶向融合岭估计量，当认为组成类的精度矩阵主要共享相同结构但可能在若干感兴趣的位置上有所不同时，该估计量非常有用。它在（多）因子研究设计中有许多应用。我们专注于精度矩阵的图形解释，所提出的估计量随后作为综合或荟萃分析高斯图模型的基础。考虑了类由数据集和疾病亚型定义的情形。通过广泛的模拟实验评估了所提出估计量在图模型设置中的性能。通过对弥漫性大 B 细胞淋巴瘤亚型的 12 个大规模基因表达数据集进行差异网络建模，说明了其实际可用性。该估计量及其相关程序已整合到 R 包 rags2ridges 中。
引用
@article{arxiv.1509.07982,
title = {Targeted Fused Ridge Estimation of Inverse Covariance Matrices from Multiple High-Dimensional Data Classes},
author = {Anders Ellern Bilgrau and Carel F. W. Peeters and Poul Svante Eriksen and Martin Bøgsted and Wessel N. van Wieringen},
journal= {arXiv preprint arXiv:1509.07982},
year = {2020}
}
备注
52 pages, 11 figures