具有错误发现率控制的大规模高斯图模型迁移学习
统计方法学
2020-10-22 v1 机器学习
摘要
研究了高维高斯图模型 (GGM) 的迁移学习，旨在利用来自相似且相关的辅助研究的数据来估计目标 GGM。目标图与每个辅助图之间的相似性由散度矩阵的稀疏性刻画。提出了一种估计算法 Trans-CLIME，并证明其收敛速度快于单研究设定下的极小极大速率。进一步，引入去偏 Trans-CLIME 估计量，并证明其具有元素级渐近正态性。该估计量被用于构建具有错误发现率控制的边检测多重检验过程。所提出的估计与多重检验过程在模拟中展现出优越的数值表现，并被应用于通过借助多个其他脑组织的基因表达来推断目标脑组织中的基因网络。观察到预测误差的显著下降与连接检测功效的显著提升。
引用
@article{arxiv.2010.11037,
title = {Transfer Learning in Large-scale Gaussian Graphical Models with False Discovery Rate Control},
author = {Sai Li and T. Tony Cai and Hongzhe Li},
journal= {arXiv preprint arXiv:2010.11037},
year = {2020}
}