Robust and sparse Gaussian graphical modeling under cell-wise contamination
图形建模通过推断编码成对条件独立性的图来探索变量集合之间的依赖关系。对于联合高斯变量，这转化为检测精度矩阵的支持。许多现代应用程序的特点是高维和污染的数据，使这项任务复杂化。特别是，传统的鲁棒方法，降低整个观察向量的权重往往是不合适的，因为高维数据可能会在许多观察部分污染的功能。我们解决了这个问题，给出了一个强大的方法稀疏精度矩阵估计的基础上$γ$发散下的细胞污染模型。仿真研究表明，我们的程序优于现有的方法，特别是对高度污染的数据。
2018-02-15 stat.ME
GGLasso -- a Python package for General Graphical Lasso computation
我们介绍GGLasso，一个用于解决一般图形套索问题的Python软件包。由（Friedman 2007）（另见（Yuan 2007; Banerjee 2008））引入的图形套索方案从多变量高斯数据$\mathcal{X} \sim \mathcal{N}(μ, Σ) \in \mathbb{R}^p$估计稀疏逆协方差阵$Θ$。这个估计框架最初由Dempster 1972年提出，名为协方差选择，在2012年，这个估计框架已经扩展到包括潜变量。最近的扩展还包括多个逆协方差阵的联合估计，参见例如，in（Danaher 2013; Tomasi 2018）. GGLasso软件包包含解决一般问题公式的方法，包括重要的特殊情况，如单个（潜在变量）图形套索，组和融合图形套索。
2021-10-20 stat.CO
L1-Penalized Censored Gaussian Graphical Model
图形套索是用于推断遗传网络的最常用的估计器之一。尽管它的扩散，有几个领域的应用研究中，现代测量技术的检测限制，使使用这个估计理论上是没有根据的，即使当一个多变量高斯分布的假设是满意的。典型的例子是由聚合酶链式反应和流式细胞仪产生的数据。删失和高维性的结合使得从这些数据中推断潜在的遗传网络非常具有挑战性。在本文中，我们提出了一个$\ell_1$ -惩罚高斯图模型的删失数据，并推导出两个EM类算法的推断。通过广泛的模拟研究，我们评估了所提出的算法的计算效率，并表明我们的建议克服了现有的竞争对手时，删失数据。我们将所提出的方法应用于来自微流控RT-qPCR技术的基因表达数据，以推断血液发育的调控机制。
2018-01-24 stat.ME
Inferring network structure from interventional time-course experiments
图形模型被广泛用于研究生物网络。对网络节点的干预是研究生物网络的许多试验设计的重要特征。在本文中，我们提出了一个因果变量的动态贝叶斯网络（DBNs）的建模干预的时间过程数据的目的。该模型继承了DBN的简单性和计算效率，但允许将干预数据集成到网络推理中。我们展示了模拟和实验数据的实证结果，表明当干预措施构成设计的一部分时，需要适当地处理干预措施。
2015-06-16 stat.ME
Nonparametric graphical model for counts
虽然多变量计数数据在许多应用领域都是常规收集的，但令人惊讶的是，很少有工作开发灵活的模型来表征它们的依赖结构。当兴趣集中在推断条件独立图时，这尤其如此。在这篇文章中，我们提出了一类新的两两马尔可夫随机场型模型的联合分布的多元计数向量。通过采用一种新的类型的转换，我们避免限制到非负依赖结构或通过截断诱导其他限制。采用贝叶斯方法进行推理，我们选择一个狄利克雷过程先验的随机效应的分布，以引起很大的灵活性的规格。提出了一种有效的马尔可夫链蒙特卡罗（MCMC）算法。我们证明了各种理论属性，包括后验一致性，并表明我们的COUNT非参数图形分析（CONGA）方法具有良好的性能，相对于竞争对手在模拟研究。该方法的动机是应用程序在小鼠神经元尖峰计数数据。
2020-05-15 stat.ME
Incomplete graphical model inference via latent tree aggregation
图形网络推理被用于许多领域，如基因组学或生态学，以推断变量之间的条件独立结构，例如从基因表达或物种丰度的测量。在许多实际情况下，并不是网络中涉及的所有变量都被观察到，样本实际上是从一些变量被边缘化的分布中提取的。这挑战了图模型推理中常见的稀疏性假设，因为边缘化会产生局部密集的结构，即使原始网络是稀疏的。我们提出了一个过程，用于推断高斯图形模型时，一些变量是未观察到的，占丢失的变量和原始网络的低密度的影响。我们的模型是基于生成树的聚合，和期望最大化算法的估计过程。我们把图的结构和未观察到的节点作为缺失变量，并计算边缘出现的后验概率。为了提供一个完整的方法，我们还提出了几个模型选择标准来估计缺失节点的数量。仿真研究和说明流式细胞术数据表明，我们的方法具有良好的边缘检测性能相比，现有的图推理技术。这些方法在R包中实现。
2018-03-21 stat.ME
Inferring High-Dimensional Dynamic Networks Changing with Multiple Covariates
本文提出协变量变化网络（CVN），一种能随多个外部协变量变化的新颖图模型，通过 $L_1$ 惩罚引入稀疏性并利用元图建模图间相似性，采用交替方向乘子法求解，在模拟与真实基因表达数据中验证了有效性。
2024-07-29 stat.ME
Inferring network structure in non-normal and mixed discrete-continuous genomic data
通过无向图推断依赖结构对于揭示可能与癌症相关的高维基因组标记之间的多变量相互作用的主要模式至关重要。传统上，条件独立性已经使用稀疏高斯图形模型的连续数据和稀疏伊辛模型的离散数据进行了研究。然而，在两种明显的情况下，这些方法是不够的。第一种情况发生在数据是连续的，但显示出非正态的边缘行为，如厚尾或偏态，使正态性的假设不合适。第二种情况发生在数据的一部分是有序的或离散的（例如，突变的存在或不存在）而另一部分是连续的（例如，基因或蛋白质的表达水平）。在这种情况下，现有的贝叶斯方法通常采用一个潜在的变量框架的离散部分，排除推断的条件独立的数据，实际观察。目前的文章克服了这两个挑战，在一个统一的框架使用高斯尺度混合。我们的框架能够处理不正常的连续数据和具有混合连续和离散性质的数据，同时仍然能够在观察到的数据中推断出稀疏的条件符号独立结构。在模拟与替代技术和一个真正的癌症基因组学数据集的分析广泛的性能比较表明，所提出的方法的有效性。
2016-04-01 stat.ME
A Double Regression Method for Graphical Modeling of High-dimensional Nonlinear and Non-Gaussian Data
图模型作为一种在大量随机变量之间推断条件独立关系的工具，在统计学中已经研究了很长时间。现有的图形建模工作主要集中在数据为高斯分布或混合分布以及变量线性相关的情况下。本文提出了一种在高维非线性和非高斯背景下学习图模型的双重回归方法，并证明了该方法在较弱的条件下是相容的.所提出的方法通过执行一系列非参数条件独立性检验。每个测试的条件集通过双回归过程减少，其中可以采用无模型确定独立性筛选过程或稀疏深度神经网络。数值结果表明，该方法对高维非线性和非高斯数据具有良好的效果。
2022-12-08 stat.CO stat.ME
The log-shift penalty for adaptive estimation of multiple Gaussian graphical models
稀疏高斯图模型刻画了网络中随机变量之间的稀疏依赖关系。为了在同一组变量上估计多个相关的高斯图模型，我们制定了一个分层模型，这导致了一个非凸对数移位罚函数的优化问题。我们表明，在温和的条件下，优化问题是凸的，尽管包括一个非凸的罚款，并得出一个有效的优化算法。仿真和实际数据上的实验表明，该方法能够同时实现良好的选择和估计性能，因为对数移位惩罚的非凸性允许弱信号阈值为零，而不会过度收缩的强信号。
2014-06-06 stat.ME
The joint graphical lasso for inverse covariance estimation across multiple classes
我们考虑的问题，估计多个相关的，但不同的图形模型的基础上的高维数据集的观察，属于不同的类。一个鼓舞人心的例子发生在有和没有癌症的组织样本的基因表达数据分析中。在这种情况下，我们可能希望估计正常组织的基因表达网络和肿瘤组织的基因表达网络。我们希望这两个基因表达网络是相似的，但彼此不相同，因此使用联合方法可能会更准确地估计这两个网络。为此，我们提出了联合图形套索。我们不是为每个类单独估计一个图模型，也不是在所有类中估计一个图模型，而是在类之间借用强度，以估计共享某些特征的多个图模型，例如非零边的位置或权重。我们的方法是基于最大化惩罚对数似然。我们采用融合套索或组套索处罚，并实现了一个非常快速的计算方法，解决了联合图形套索问题。在模拟研究中，我们证明了我们提出的方法导致更准确的估计网络和协方差结构比竞争的方法。我们进一步说明了我们的建议，公开的肺癌基因表达数据集。
2012-07-11 stat.ME
A Bayesian Approach to Joint Estimation of Multiple Graphical Models
高维数据中多个图模型的联合估计问题已经在统计学和机器学习文献中进行了研究，因为它在包括分子生物学、神经科学和社会科学在内的各个领域都很重要。这项工作开发了一种贝叶斯方法，该方法将多个图形模型中的模型参数分解为模型和边缘子集之间的共享组件以及特殊组件。此外，它利用了一种新的多变量先验分布，再加上一个伪似然，使快速计算，通过一个强大的和有效的吉布斯抽样计划。我们建立了强后验一致性的模型选择，以及估计模型参数的高维尺度下的变量的数量与样本量呈指数增长。所提出的方法的有效性说明合成和真实数据。关键词：伪似然，吉布斯抽样，后验一致性，组学数据
2019-07-02 stat.ME
On the Impact of Dimension Reduction on Graphical Structures
统计学家和定量神经科学家积极推动使用独立关系来研究大脑网络、基因组网络和其他测量技术。这些图的估计取决于两个步骤。首先是特征提取，通过在分割、区域或集合定义内汇总测量值来创建节点。其次，这些摘要然后用于创建表示感兴趣的关系的图。在这篇手稿中，我们研究的影响，降维的图形，描述不同的概念之间的关系，一组随机变量。我们特别感兴趣的是无向图，捕捉随机变量的独立性和条件独立关系。降维过程可以是从高维空间到低维空间的任何映射。我们利用一个通用的框架来建模原始数据，并主张在估计无向图时，任何可接受的降维过程都应该是图同伦映射，即，在降维之后的数据的图形结构应当继承原始数据的图形结构的主要特征。我们表明，在推断无向图的随机变量之间的条件独立关系的特点，许多降维程序，如平均值，中位数，或主成分，不能在理论上保证是一个图同伦映射。这项工作的影响是广泛的。在对研究人员最宽容的设置中，正确的节点定义是已知的，图形关系可以仅仅通过降维来污染。手稿结束一个具体的例子，其特征的图形结构的子集，使降维过程中使用的主成分可以是一个图形同伦映射。
2014-10-13 stat.ME
The Multiple Quantile Graphical Model
我们引入了多分位数图形模型（MQGM），它扩展了Meinshausen和Buhlmann的邻域选择方法，用于学习稀疏图形模型。后者是由一个变量的条件均值建模为所有其他变量的稀疏函数的基本子问题定义的。我们的方法将一个变量的一组条件分位数建模为所有其他变量的稀疏函数，因此提供了更丰富，更有表现力的条件分布估计类。我们建立，在适当的正则条件下，MQGM确定确切的条件独立性与概率倾向于一个问题的大小的增长，即使在通常的同性高斯数据模型。我们开发了一个有效的算法，使用交替方向的乘法器来拟合MQGM。我们还描述了一种策略，从联合分布的MQGM估计的基础抽样。最后，我们提出了详细的实验，证明的灵活性和有效性的MQGM建模异方差非高斯数据。
2016-10-27 stat.ME
A random covariance model for bi-level graphical modeling with application to resting-state fMRI data
本文考虑了一个新的问题，双层次的图形建模，其中多个个人的图形模型可以被认为是一个共同的组级图形模型的变体和推理的组和个人级图形模型的兴趣。这种问题出现在许多应用中，包括多学科神经成像和基因组数据分析。我们提出了一种新的和有效的统计方法，随机协方差模型，学习组和个人层次的图形模型同时进行。所提出的方法可以很好地解释为一个随机协方差模型，模仿随机效应模型的平均结构在线性回归。它考虑了个体图形模型之间的相似性，识别了组中个体共享的组级连接，同时推断出多个个体级网络。与现有的只关注个体级网络的多个图形建模方法相比，我们的模型学习了多个个体网络的组级结构，并且具有特别有吸引力的计算效率。我们进一步定义了一个衡量自由度的复杂性的模型，可用于模型选择。我们证明了该方法的渐近性质，并通过仿真研究显示其有限样本性能。最后，我们将所提出的方法应用于我们的激励临床数据，一个多主题的静息状态功能磁共振成像（fMRI）数据集收集的精神分裂症患者。
2019-09-30 stat.ME
Enhancing the Power of Gaussian Graphical Model Inference by Modeling the Graph Structure
本文将噪声随机块模型 NSBM 用于高斯图模型推断，证明其可兼容任意 GGM 检验统计量，并提出高效贪心算法，在控制错误发现率的同时显著提升稀疏场景下的功效。
2024-02-29 stat.ME
Network inference in matrix-variate Gaussian models with non-independent noise
从来自大量变量的观测数据推断图形模型或网络是机器学习和计算统计学中研究得很好的问题。在本文中，我们考虑这个问题的一个版本，是相关的遗传研究中收集的多个表型的分析。在这样的数据集中，我们期望表型之间和个体之间的相关性。我们将观测值建模为两个矩阵正态变量的和，使得联合协方差函数是Kronecker乘积的和。该模型概括了图形套索，假设观测值由于已知的遗传关系而相关，并被非独立噪声破坏。我们已经开发了一个计算效率高的期望最大化算法，以适应这个模型。在模拟数据集上，我们通过允许一般的噪声分布来说明网络重建的性能大大提高。
2013-12-05 stat.ME
Fused graphical lasso for brain networks with symmetries
神经影像学是神经科学的一个不断发展的领域，致力于产生数据，目标是捕捉人脑的过程和动态。我们考虑的问题推断的大脑连接网络的时间依赖性功能磁共振成像（fMRI）扫描。为此，我们提出了对称的图形套索，惩罚似然方法与融合型惩罚函数，考虑到明确的自然对称结构的大脑。对称图形套索允许人们同时学习网络结构和两个半球的对称性。我们实现了一个交替方向的乘子算法来解决相应的凸优化问题。此外，我们应用我们的方法来估计两个受试者的大脑网络，一个健康，另一个受精神障碍的影响，并比较它们的对称结构。该方法适用于一旦时间依赖性功能磁共振成像数据的特点已占，我们比较不同的去趋势技术对估计的大脑网络分析的影响。
2021-05-27 stat.AP stat.ME
Bayesian inference for multiple Gaussian graphical models with application to metabolic association networks
我们调查镉（一种有毒的环境污染物）的相关结构上的一些尿代谢产物使用高斯图形模型（GGM）的影响。推断的代谢关联可以提供关于代谢系统的生理状态的重要信息和关于复杂代谢关系的见解。使用拟合的GGM，我们构建了差分网络，该网络突出了在不同实验条件下代谢物相互作用的显著变化。对这种代谢关联网络的分析可以揭示镉暴露引起的潜在生物反应的差异。我们考虑贝叶斯推断，并建议使用乘法（或Chung-Lu随机图）模型作为先验的图形空间。在乘法模型中，每条边都是独立选择的，其概率等于端节点的连通性的乘积。这类先验知识很节俭，但高度灵活;当有此类先验知识时，它可用于鼓励稀疏性或具有预先指定度分布的图形。我们将乘法模型扩展到多个GGM，通过逻辑斯谛回归将边缘包含的概率联系起来，并演示了这如何导致多个GGM的联合推理。提出了一种估计图的后验分布的序贯蒙特卡罗（SMC）算法。
2017-04-13 stat.ME
A new graphical tool of outliers detection in regression models based on recursive estimation
在本文中，我们提出了一种新的工具，异常值检测的背景下，多元回归模型。该图形工具基于参数的递归估计。进行了模拟，以说明这种图形程序的性能。作为结论，该工具适用于实际数据包含离群值根据经典的可用工具。
2007-07-02 stat.ME
Graphical Test for Discrete Uniformity and its Applications in Goodness of Fit Evaluation and Multiple Sample Comparison
评估给定分布的拟合优度在计算统计中起着重要作用。概率积分变换（PIT）可用于将给定样本是否源自参考分布的问题转换为均匀性检验问题。我们提出了新的模拟和优化为基础的方法，以获得同时置信带的整个经验累积分布函数（ECDF）的PIT值的均匀性的假设下。同时置信带对应于共同满足期望覆盖的每个点处的这种置信区间。这些方法也可以应用于参考分布仅由有限样本表示的情况。置信带为均匀性提供了直观的基于ECDF的图形测试，这也提供了关于差异质量的有用信息。我们进一步扩展的模拟和优化方法，以确定同时的置信带，用于测试多个样本是否来自相同的底层分布。这种多样本比较检验在马尔可夫链蒙特卡罗收敛性诊断中特别有用。我们提供了数值实验来评估使用模拟和真实世界数据的测试属性，并就其在计算统计工作流中的实际应用提出建议。
2021-11-17 stat.ME
Clustered Gaussian Graphical Model via Symmetric Convex Clustering
Rice University（莱斯大学）；Baylor College of Medicine（贝勒医学院）
神经元功能分组的知识可以揭示神经回路的结构，并且在许多类型的神经影像学研究中是有价值的。然而，通过受控实验准确确定哪些神经元执行类似的神经学任务既劳动密集型又大规模昂贵。因此，以数据驱动的方式将具有相似连接性配置文件的神经元聚类为功能一致的组是非常有趣的。在这项工作中，我们提出了聚类高斯图形模型（GGM）和一个新的对称凸聚类惩罚在一个统一的凸优化框架推断神经元之间的功能集群从神经活动数据。采用可并行化的多块交替方向乘子法（ADMM）算法求解相应的凸优化问题。此外，我们建立的ADMM算法的收敛保证。在合成数据和真实世界神经科学数据上的实验结果证明了我们方法的有效性。
2019-05-30 cs.LG stat.ME stat.ML
StabJGL: a stability approach to sparsity and similarity selection in multiple network reconstruction
针对高维组学数据中联合图形套索参数选择不佳的问题，提出结合模型稳定性与似然相似性选择的stabJGL方法，提升多网络重建性能并发现新关联。
2023-06-20 stat.ME
Bayesian Inference for Single-factor Graphical Models
本文提出单因子图模型的贝叶斯推断方法，通过MCMC算法处理相关残差，并扩展至分类变量及多数据集，以捕捉时空关联和条件依赖结构。
2025-10-15 stat.ME
Graphical tools for detection and control of selection bias with multiple exposures and samples
提出基于条件可分效应和子样本选择指标的潜在结果框架替代表述，简化识别条件并推广至多重嵌套样本及时间依赖性暴露场景。
2024-09-20 stat.ME
Multiple Changepoint Estimation in High-Dimensional Gaussian Graphical Models
我们考虑了多元时间序列中同时识别变点和图形依赖结构的正则化估计的一致性。传统上，高斯图形模型（GGM）的估计是在i.i.d设置中执行的。最近，这种模型已经扩展到允许分布的变化，但只有在变点是已知的先验。在这项工作中，我们研究了组融合图形套索（GFGL），它用L1惩罚惩罚部分相关性，同时诱导块平滑随着时间的推移来检测多个变化点。我们提出了一个证明的一致性的估计，无论是在变点，在每个部分的图形模型的结构。
2017-12-15 math.ST stat.ME stat.TH
AdaPtive Noisy Data Augmentation (PANDA) for Simultaneous Construction of Multiple Graph Models
我们扩展了Li et al.（2018）的数据增强技术PANDA，该技术将单个图估计正则化，以在统一框架中联合学习具有各种节点类型的多个图形模型。我们设计了两种类型的噪声来增强观测数据：第一种类型正则化每个图的估计，而第二种类型促进结构相似性，称为\joint组套索正则化，或数值相似性，称为联合融合脊正则化，在同一位置的边缘之间的跨图。在PANDA中的计算是直接的，并且仅涉及以迭代方式获得广义线性模型中的极大似然估计。仿真研究表明，PANDA是不劣于现有的联合估计方法的高斯图模型，并显着提高了非高斯图模型的朴素差分方法。我们将PANDA应用于一个真实的肺癌微阵列数据，同时构建四个蛋白质网络。
2019-05-21 stat.ME
Informative Simultaneous Confidence Intervals for Graphical Test Procedures
针对传统同时置信区间缺乏信息性的问题，本文将信息性SCI拓展至图形检验过程，通过对偶图和投影法定义新区间，给出迭代算法，实现信息增益与拒假设数目的折中，且信息量随反原假设证据增加而增长。
2024-06-24 stat.ME
Heterogeneous Reciprocal Graphical Models
我们开发了新的层次互反图形模型，从异质数据中推断基因网络。在数据的情况下，可以自然地分为已知的组，我们建议通过引入一个层次的先验跨组特定的图形，包括跨图形的边缘强度的相关性连接图形。应用保持先验知识来诱导估计网络的稀疏性。在未知组的情况下，我们将受试者聚类为亚群，并联合估计集群特异性基因网络，再次使用跨集群的类似分层先验。我们通过模拟研究和两个应用程序说明了所提出的方法与多平台基因组数据的多种癌症。
2018-01-21 stat.ME
A Hierarchical Graphical Model for Big Inverse Covariance Estimation with an Application to fMRI
脑网络吸引了许多神经科学家的兴趣。从功能性磁共振成像（fMRI）数据，统计工具已经开发出来，以恢复大脑网络。然而，全脑功能磁共振成像的维数，通常在几十万，挑战这些方法的适用性。我们开发了一个层次化的图形模型（HGM）来弥补这一困难。该模型引入了一个基于稀疏高斯图模型的网络隐藏层，观测数据从单个网络节点采样。在功能磁共振成像中，网络层模拟不同大脑功能单元的潜在信号，以及这些单元如何直接相互作用。这种层次结构的引入不仅提供了一种形式化的和可解释的方法，而且还可以有效地计算具有数十万节点的大型网络。基于我们的公式的条件凸性，我们开发了一个交替更新算法来同时计算HGM模型参数。模拟数据和一个真正的数据集从停止/去功能磁共振成像实验证明了这种方法的有效性。
2014-04-07 stat.AP stat.ME stat.ML
Probabilistic Graphical Model using Graph Neural Networks for Bayesian Inversion of Discrete Structural Component States
Key Lab of Smart Prevention and Mitigation of Civil Engineering Disasters of the Ministry of Industry and Information Technology（工信部智能防灾减灾重点实验室）；Harbin Institute of Technology（哈尔滨工业大学）；Key Lab of Structures Dynamic Behavior and Control of the Ministry of Education, School of Civil Engineering, Harbin, Institute of Technology（教育部结构动力行为与控制重点实验室，土木工程学院）；The Institute of Statistical Mathematics, Research Organization of Information and Systems（统计数学研究所，信息与系统研究机构）；The Graduate University for Advanced Studies, SOKENDAI（高等研究大学，SOKENDAI）；Division of Engineering and Applied Science, California Institute of Technology（工程与应用科学系，加州理工学院）
本文提出基于概率图模型的新型贝叶斯反演方法，利用图神经网络实现高效离散状态推断，解决高维参数和非解析似然函数带来的计算挑战。
2026-04-29 cs.LG stat.ME stat.ML
Scalable Multiple Network Inference with the Joint Graphical Horseshoe
针对图形马蹄先验在高维多网络推断中计算效率低的问题，提出可扩展ECM算法与联合图形马蹄估计器，实现跨网络信息借用并提升估计精度与可扩展性。
2023-04-17 stat.AP stat.ME
Inference of Mixed Graphical Models for Dichotomous Phenotypes using Markov Random Field Model
在这篇文章中，我们提出了一种新的方法命名为融合混合图形模型（FMGM），它可以推断网络结构的二分表型。我们假设不同组学标记的相互作用与疾病状态相关，并提出了一种基于FGM的方法来检测相关的组学标记网络差异。网络的统计模型基于成对马尔可夫随机场模型，并加入惩罚函数以最小化网络中稀疏性的影响。采用快速近端梯度法（PGM）优化目标函数。使用模拟幂律网络结构的合成数据集来测量方法的有效性，结果发现，与以前的方法相比，FMGM表现出优越的性能，特别是在F1分数方面，依次推断网络（0.392和0.546）。FMGM不仅在识别差异（0.217和0.410）方面表现更好，而且在识别网络（0.492和0.572）方面也表现更好。该方法被应用于6个月大的婴儿和非特应性皮炎（AD）的多组学概况，并发现不同的相关性之间的丰度的微生物基因类胡萝卜素生物合成和RNA降解根据疾病状态，这表明代谢相关的氧化应激和微生物RNA平衡的重要性。
2022-08-31 q-bio.QM stat.ME
Gaussian Graphical Model Estimation with False Discovery Rate Control
研究了高维高斯图模型的估计问题。通常，现有的方法依赖于正则化技术。因此，有必要选择正则化参数。然而，在GGM估计中正则化参数和伪边缘数目之间的精确关系并不清楚。因此，不可能严格地评价它们的业绩。在本文中，我们提出了一种替代方法的多重检验程序。基于我们新的条件相关检验统计量，我们提出了GGM中条件相关的一种同时检验方法。我们的方法可以控制错误发现率（FDR）渐近。所提出的方法的数值性能表明，我们的方法工作得很好。
2013-06-05 stat.ME
Quantile Graphical Models: Bayesian Approaches
图形模型是描述同时测量的变量之间相互依赖性的普遍工具，例如大规模基因或蛋白质表达数据。高斯图模型（GGM）是使用精度矩阵对依赖结构进行概率探索的成熟工具，并且它们是在多元正态联合分布下生成的。然而，它们有几个缺点，因为它们是基于高斯分布假设。在这篇文章中，我们提出了一个贝叶斯分位数为基础的方法稀疏估计的图。我们证明，由此产生的图估计是强大的离群值和一般分布假设下适用。此外，我们开发了有效的变分贝叶斯近似来扩展大数据集的方法。我们的方法被应用到一个新的癌症蛋白质组学数据集，其中多个蛋白质组抗体同时评估肿瘤样本使用反相蛋白质阵列（RPPA）技术。
2020-01-08 stat.ME
Multiple Jump MCMC: A Scalable Algorithm for Bayesian Inference on Binary Model Spaces
University of Amsterdam（阿姆斯特丹大学）；Sabanci University（萨贝里大学）
本文提出多重跳跃MCMC算法，用于二元模型空间的贝叶斯推断，该算法简单、无拒绝机制且速度快，适用于高斯图模型、异或模型和变量选择等场景。
2026-04-02 stat.ME
Inference of multiple high-dimensional networks with the Graphical Horseshoe prior
我们开发了一种新的全贝叶斯方法多个相关的精度矩阵，称为多个图形马蹄铁（mGHS）。所提出的方法依赖于一种新的多变量收缩先验的基础上马蹄事先借用的强度和共享稀疏模式的群体，提高后边缘选择时，精度矩阵是相似的。另一方面，当组是独立的时，没有性能损失。此外，mGHS提供了一个相似性矩阵估计，有助于理解跨组的网络相似性。我们实现了一个有效的Metropolis-within-Gibbs后验推理，具体而言，局部方差参数更新通过一种新的和有效的修改拒绝抽样算法，从三参数Γ分布的样本。该方法的规模以及相对于变量的数量，并提供了一个最快的全贝叶斯方法估计多个精度矩阵。最后，边缘选择是一种新的方法，基于模型切割。我们的经验表明，mGHS优于竞争的方法，通过模拟研究和应用程序的自行车共享数据集。
2023-02-13 stat.CO stat.ME
Inferring food intake from multiple biomarkers using a latent variable model
近年来，代谢组学方法因其提供评估食物摄入量的客观工具的潜力而备受关注。特别是，单一食物出现了多种生物标志物。然而，缺乏可用于组合多种生物标志物以推断食物摄入的统计工具。此外，缺乏用于估计基于生物标志物的摄入量预测的不确定性的方法。在这里，为了便于推断多个代谢组学生物标志物和食物摄入量的干预研究下进行的A-DIET研究计划，一个潜在的变量模型，multiMarker，提出了。该模型借鉴了因子分析和专家模型的混合物，将摄入量描述为一个连续的潜在变量，其值提高了观察到的生物标志物值。我们采用混合高斯分布来灵活地对潜在变量进行建模。贝叶斯分层建模框架提供了适应不同生物标志物分布的灵活性，并有助于预测潜在摄入量及其相关的不确定性。进行模拟研究，以评估所提出的multiMarker框架的性能，在其应用程序的激励应用程序量化苹果摄入量。
2021-05-07 stat.AP stat.ME
Matrix Graphical Model Via Joint Estimation of Partial Correlations
Sungshin Women’s University（诚信女子大学）
针对矩阵图形模型中现有回归方法导致图不对称且调参困难的问题，提出统一优化框架下联合估计所有偏相关的方法，保持对称性并提升图恢复性能，且成功应用于肺结核蛋白质网络分析。
2026-09-18 stat.ME
A New Approach for Large Scale Multiple Testing with Application to FDR Control for Graphically Structured Hypotheses
在许多大规模的多重检验应用中，假设通常具有已知的图形结构，例如基因表达数据中的基因本体。在多重检验程序中利用这种图形结构可以提高功效并有助于解释。然而，将该结构结合到大规模测试过程中并证明诸如错误发现率（FDR）的错误率是受控的可能是具有挑战性的。在本文中，我们介绍了一种新的通用方法，大规模的多重检验，它可以帮助开发新的程序，在各种设置与证明控制所需的错误率。这种方法对于开发FDR控制程序特别有用，它被简化为开发每族错误率（PFER）控制程序的问题。具体来说，对于有向无环图（DAG）结构的假设检验问题，利用一般方法，在假设独立的前提下，首先设计了一个特定的PFER控制过程，然后在此基础上设计了一个新的FDR控制过程，该过程能够在被拒绝的假设中保持所需的DAG结构.通过一个小的模拟研究和一个真实的数据分析，我们说明了良好的性能，提出的FDR控制程序的DAG结构的假设。
2018-12-01 math.ST stat.ME stat.TH
Multiple Causes: A Causal Graphical View
Columbia University（哥伦比亚大学）
未观察到的混杂是从观察数据进行因果推断的主要障碍。混杂因素-影响原因和结果的变量-在两者之间引起虚假的非因果关系。Wang & Blei（2018）用“多种原因的祝福”降低了这一障碍，其中多种原因的相关性结构为未观察到的混淆提供了间接证据。他们通过一种称为“去混淆”的算法来利用这些优势，该算法使用概率因子模型来校正混淆因素。在本文中，我们采取了因果图的观点的deconfounder。在一个编码共享混杂的图中，我们展示了原因的多样性如何帮助识别干预分布。然后，我们证明了deconfounder，表明它使干预的有效推论。最后，我们扩大类的图，它的理论，包括其他混杂因素和选择变量。我们的研究结果扩展了Wang & Blei（2018）的理论，证明了因果图的解方器，并扩展了可以使用它的设置。
2019-05-30 cs.LG stat.ME stat.ML
Graphical-model Based Multiple Testing under Dependence, with Applications to Genome-wide Association Studies
大规模的多重检验任务往往表现出相关性，利用单个检验之间的相关性仍然是统计学中一个具有挑战性和重要性的问题。随着图形模型的最新发展，使用图形模型进行依赖性下的多重检验是可行的。我们提出了一个多重检验过程，这是基于马尔可夫随机场耦合混合模型。假设的真实值由潜在的二进制马尔可夫随机场表示，观察到的检验统计量显示为耦合的混合变量。模型中的参数可以通过一种新的期望最大化算法自动学习。我们使用MCMC算法来推断每个假设为空的后验概率（称为局部显著性指数），并且可以相应地控制错误发现率。仿真结果表明，使用该方法可以大大提高多重检验的数值性能。我们将该程序应用于乳腺癌的真实世界全基因组关联研究，并确定了几个具有强关联证据的SNP。
2012-10-16 cs.CE stat.AP stat.ME
Transfer Learning in Large-scale Gaussian Graphical Models with False Discovery Rate Control
研究了高维高斯图模型（GGM）的迁移学习，目的是利用相似和相关辅助研究的数据来估计目标GGM。目标图和每个辅助图之间的相似性由发散矩阵的稀疏性来表征。一种估计算法，跨CLIME，提出并证明，以达到更快的收敛速度比最小最大速率在单一的研究设置。此外，一个去偏的trans-CLIME估计被引入，并证明是逐元素渐近正态的。它被用来构建一个多重检验过程的边缘检测与错误发现率控制。所提出的估计和多重检验程序在模拟中表现出优越的数值性能，并通过利用来自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减少和链路检测功率的显著增加。
2020-10-21 stat.ME stat.ML
Gain-function optimisation of graphical multiple testing procedures for confirmatory clinical trials
GSK（葛兰素史克）；Johnson & Johnson（强生）
本文提出通过显式增益函数优化图形多重检验过程，以最大化申办者价值，同时保持家庭错误率控制，并处理设计不确定性及组序贯早期声明奖励。
2026-09-18 stat.AP stat.ME
On Joint Estimation of Gaussian Graphical Models for Spatial and Temporal Data
在本文中，我们首先提出了一个贝叶斯邻域选择方法来估计高斯图模型（GGM）。我们证明了这种方法在真实模型的后验概率收敛于1的意义上的图选择一致性。当存在多个可用数据组时，代替针对每个组独立地估计网络，网络的联合估计可以利用组之间的共享信息并且导致针对每个单独网络的改进的估计。我们的方法被扩展到联合估计GGM在多组数据具有复杂的结构，包括空间数据，时间数据和数据的空间和时间结构。马尔可夫随机场（MRF）模型被用来有效地将复杂的数据结构。我们开发并实现了一个有效的算法，统计推断，使并行计算。仿真研究表明，我们的方法实现了更好的准确性，在网络估计相比，不纳入空间和时间的依赖关系时，有共享的网络结构之间的方法，否则，它表现良好。最后，我们使用人脑基因表达微阵列数据集来说明我们的方法，其中在多个时间段内测量不同大脑区域中基因的表达水平。
2015-07-07 stat.AP stat.ME
Inferring Covariance Structure from Multiple Data Sources via Subspace Factor Analysis
提出子空间因子分析（SUFA）模型，在低维子空间层面刻画多组数据变异，证明协方差共享与组特有成分的可识别性，提供高效贝叶斯后验算法，并应用于基因表达数据整合。
2024-08-24 math.ST stat.CO stat.ME
High-Dimensional Joint Estimation of Multiple Directed Gaussian Graphical Models
我们考虑的问题，联合估计多个相关的有向无圈图（DAG）模型的基础上，从每个图的高维数据。这个问题的动机是基于来自不同组织、发育阶段或疾病状态的基因表达数据来学习基因调控网络的任务。我们证明了在一定的正则性条件下，所提出的$\ell_0$ -惩罚极大似然估计在Frobenius范数下收敛于与数据生成分布一致的邻接矩阵，并且具有正确的稀疏性.特别是，我们表明，这种联合估计过程导致更快的收敛速度比估计每个DAG模型分别。作为一个推论，我们还获得了高维一致性的结果，从混合的观察和干预数据的因果推断。出于实用的目的，我们提出了\emph{jointGES}组成的贪婪等价搜索（GES），以估计所有DAG模型的联合，然后使用套索变量选择，以获得不同的DAG，我们分析了它的一致性保证。所提出的方法是通过模拟数据以及上皮性卵巢癌基因表达数据的分析。
2020-06-27 math.ST stat.ME stat.TH
Joint Estimation and Inference for Data Integration Problems based on Multiple Multi-layered Gaussian Graphical Models
高通量技术的快速发展已经使得能够从生物或疾病过程生成跨越多个层的数据，如基因组学、蛋白质组学或代谢组学数据，并且进一步涉及多个来源，如疾病亚型或实验条件。在这项工作中，我们提出了一个通用的统计框架的基础上高斯图形模型的水平（即跨条件或亚型）和垂直（即跨不同的层包含数据的分子室）整合信息在这样的数据集。我们首先将多层问题分解为一系列两层问题。对于每个两层问题，我们将下层节点的结果建模为依赖于该层中其他节点以及上层中所有节点的结果。我们使用邻域选择和组惩罚回归的组合来获得所有模型参数的稀疏估计。在此之后，我们开发了一个去偏置技术和渐近分布的层间有向边权重，利用已经计算的邻域选择系数的节点在上层。随后，我们建立全球和同时测试这些边的权重的程序。所提出的方法的性能进行评估的合成和真实的数据。
2022-01-21 math.ST stat.ME stat.ML
HyperTraPS: Inferring probabilistic patterns of trait acquisition in evolutionary and disease progression pathways
整个生物医学科学的数据爆炸为了解进化和疾病进展的动态提供了前所未有的机会，但利用这些庞大而多样化的数据集仍然具有挑战性。在这里，我们描述了一个高度概括的统计平台，以推断许多潜在的相互作用，离散性状随着时间的推移在生物医学系统中获得或丢失的动态途径。该平台使用HyperTraPS（超立方过渡路径采样）从横截面，纵向或遗传学相关数据中学习进展途径，具有前所未有的效率，易于区分多个竞争途径，并确定给定观察结果的最简约机制。它的贝叶斯结构量化了通路结构的不确定性，并允许对行为进行可解释的预测，例如患者接下来将获得哪种症状。我们利用该模型的拓扑结构提供直观的评估多个，可变的途径可视化工具。我们将该方法应用于卵巢癌进展和结核病多药耐药的演变，证明了其揭示以前未检测到的动态途径的能力。
2019-11-28 q-bio.GN q-bio.QM stat.ME
Unifying Boxplots: A Multiple Testing Perspective
本文提出统一框架，将箱线图及其变体视为多重检验的图形实现，并引入基于FDR的新箱线图，为离群值检测提供原则性语言。
2025-10-23 stat.ME stat.OT
Regularized Estimation of Piecewise Constant Gaussian Graphical Models: The Group-Fused Graphical Lasso
分段常数高斯图模型的时间演化精度矩阵编码了多变量时间序列的动态条件依赖结构。传统上，图形模型是在假设数据是从生成分布中相同提取的情况下估计的。引入稀疏性和稀疏差分诱导先验，我们放松这些假设，并提出了一种新的正则化M-估计，共同估计的图形和变点结构。由此产生的估计拥有的能力，因此有利于稀疏依赖结构和/或平滑地演变的图形结构，根据需要。此外，我们的方法扩展了目前的方法，允许估计的变化点，在系统中的多个依赖关系分组。提出了一种有效的结构估计算法。我们研究的经验恢复性能在一个合成的设置。分组变点估计的定性效果，然后证明通过应用该方法在两个现实世界的数据集。
2017-10-31 stat.CO stat.ME stat.ML
rags2ridges: A One-Stop-Shop for Graphical Modeling of High-Dimensional Precision Matrices
本研究推出R包rags2ridges，提供高维精度矩阵高斯图模型提取、可视化与分析的模块化框架，支持先验信息整合与异质数据处理，并用阿尔茨海默病血液代谢物数据集演示其功能。
2020-10-12 stat.CO stat.ME stat.ML
