Bayesian Inference in Nonparanormal Graphical Models
高斯图形模型已被用来研究几个变量之间的内在依赖性,但高斯假设可能在许多应用中受到限制。非超常图模型是连续变量的半参数推广,其中假设变量仅在每个变量上进行一些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法的nonparanormal图形模型,把先验的未知变换通过一个随机序列的基础上B-样条的系数有序诱导单调性。截断的正态先验导致模型中的部分共轭性,并且对于使用吉布斯抽样的后验模拟是有用的。在转换变量的基础精度矩阵上,我们考虑了尖峰和平板先验,并使用有效的后验吉布斯抽样方案。我们使用贝叶斯信息准则来选择尖峰和平板先验的超参数。我们提出了一个后验一致性结果的基础转换和精度矩阵。我们研究了所提出的方法的数值性能,通过广泛的模拟研究,最后将所提出的方法应用于一个真实的数据集。
2019-04-11 stat.ME
Bayesian Analysis of Nonparanormal Graphical Models Using Rank-Likelihood
高斯图形模型,假设感兴趣的变量共同遵循具有稀疏精度矩阵的多元正态分布,已被用于研究变量之间的内在依赖性,但正态假设在许多设置中可能是限制性的。非超常图模型是高斯图模型的半参数推广,假设变量仅在某些未知的平滑单调变换后才遵循高斯图模型。我们认为贝叶斯方法的nonparanormal图形模型使用的秩似然保持不变的单调变换下,从而避免了需要把一个先验的变换函数。在转换变量的基础精度矩阵上,我们考虑了其Cholesky分解的马蹄先验,并使用有效的后验吉布斯抽样方案。我们提出了一个后验一致性结果的精度矩阵的基础上基于秩的似然。我们通过模拟研究研究所提出的方法的数值性能,并将其应用于一个真实的数据集。
2019-04-17 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
Bayesian Covariance Matrix Estimation using a Mixture of Decomposable Graphical Models
贝叶斯方法用于估计高斯数据的协方差阵。从高斯图形模型和模型选择的想法被用来构建一个先验的协方差阵,是一个混合在所有可分解的图。对于该先验,每个图大小的概率由用户指定,并且相同大小的图被分配相同的概率。大多数以前的方法假设所有的图都是同样可能的。我们的经验表明,分配相等的概率在图形大小的先验优于分配相等的概率在所有图形的先验,无论是在识别正确的可分解图,并在更有效地估计的协方差阵。
2007-06-09 stat.ME
Bayesian Graphical Models for Multivariate Functional Data
图形模型表达变量之间的条件独立关系。虽然矢量值数据的方法已经很成熟,但函数数据图形模型仍然不发达。我们引入了随机函数之间的条件独立性的概念,并构建了一个框架,贝叶斯推断的无向,可分解的图在多元函数数据的背景下。这个框架是基于扩展马尔可夫分布和超马尔可夫定律从随机变量随机过程,提供了一个原则性的替代天真的应用程序的多元方法离散化的功能数据。马尔可夫性便于根据图的分解来组合似然和先验。我们的重点是使用正交基展开的高斯过程图形模型。我们提出了基展开的无穷系数序列的协方差核的超逆Wishart-process先验,证明了其存在性、唯一性、强超马尔可夫性和共轭性.随机搜索马尔可夫链蒙特卡罗算法的后验推理,通过模拟评估,并应用于大脑活动和酗酒的研究。
2016-01-05 stat.ME
Graphical Assistant Grouped Network Autoregression Model: a Bayesian Nonparametric Recourse
向量自回归模型在经典的时间序列数据分析中是普遍存在的。随着社交网站的迅速发展,基于潜图的时间序列数据越来越流行。在本文中,我们开发了一种新的贝叶斯分组网络自回归模型,同时估计组信息(组数和组配置)和组的参数。具体而言,一个图形辅助的中国餐馆的过程中纳入网络自回归模型的框架下,以提高统计推断性能。采用一种有效的马尔可夫链蒙特卡罗抽样算法对后验分布进行抽样。进行了广泛的研究,以评估我们提出的方法的有限样本性能。此外,我们分析了两个真实的数据集作为我们的方法的有效性的说明。
2021-10-11 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
Empirical Bayesian Learning in AR Graphical Models
我们解决的问题,学习对应于高维自回归平稳随机过程的图形模型。图模型描述了随机过程各组成部分之间的条件依赖关系,是许多领域的重要工具。提出了稀疏自回归图模型和潜变量自回归图模型的经验贝叶斯估计。数值实验表明,这种贝叶斯的角度来学习这些类型的图形模型的好处。
2019-07-08 math.OC stat.ME
Fast Bayesian inference in large Gaussian graphical models
尽管主要的方法的发展,贝叶斯推断高斯图形模型仍然具有挑战性的高维由于巨大的规模的模型空间。本文提出了一种通过假设的多重检验来推断变量间的边际和条件独立结构的方法。具体而言,我们在高斯共轭模型下引入封闭形式的贝叶斯因子来评估变量之间的边际和条件独立性的零假设。它们对所有变量对的计算都非常有效,从而使我们能够解决具有数千个节点的大型问题。此外,我们从贝叶斯因子的零分布中推导出精确的尾概率。这些允许使用任何多重性校正程序来控制错误边缘包含的错误率。我们证明了所提出的方法,图形模型选择各种模拟的例子,以及从癌症基因组图谱的大型基因表达数据集。
2018-04-06 stat.ME
Approximate Bayesian estimation in large coloured graphical Gaussian models
分布式估计方法最近被用来计算大型图形高斯模型精度矩阵的最大似然估计。我们的目的,在本文中,是给贝叶斯估计的精度矩阵的大型图形高斯模型,此外,对称性约束所施加的基础图形是彩色的。我们将精度矩阵的样本后验均值作为我们的估计。我们研究它的渐近行为下,经常渐近制度时,变量p是固定的,双渐近制度下,当p和n都增长到无穷大。我们特别表明,当局部模型的参数的数量是一致有界的,标准的收敛速度,我们得到的渐近一致性,在Frobenius范数,我们的精度矩阵的估计相比,以及在当前文献中的速率的最大似然估计。
2016-05-26 stat.ME
Exploring complex dependence structures using Bayesian bi-clustering and log-linear graphical modelling
University of St Andrews(圣安德鲁斯大学)
该研究结合贝叶斯双聚类与对数线性图模型,通过理论推导与模拟、真实数据验证,揭示变量依赖结构,阐明混合建模与图对数线性建模的关系,助力高效探索庞大的模型空间。
2026-11-10 stat.ME
Bayesian model selection approach for colored graphical Gaussian models
我们考虑了一类有色图形高斯模型,通过在贝叶斯框架下对精度矩阵施加对称性约束而得到。精度矩阵上的先验分布是着色的$G$ -Wishart先验,其是Diaconis-Ylvisaker共轭先验。在本文中,我们开发了一个计算效率高的模型搜索算法,结合线性回归与双可逆跳马尔可夫链蒙特卡罗(MCMC)方法。后者是估计表示为两个竞争模型的后验概率之比的Bayes因子。我们还建立了基于贝叶斯因子的模型选择过程的渐近一致性。我们的程序避免了计算上不可能的穷举搜索。我们的方法与模拟和现实世界中的应用程序与蛋白质信号数据集。
2020-04-02 stat.ME
Bayesian Structure Learning in Undirected Gaussian Graphical Models: Literature Review with Empirical Comparison
本文综述并实证比较了无向高斯图模型中用于结构学习的多种贝叶斯方法,通过模拟研究评估其效能并展示真实数据集应用,为各层级研究者提供全面参考。
2024-07-29 stat.ME
Robust Bayesian graphical modeling using $γ$-divergence
本文提出一种基于 $\gamma$-散度的稳健贝叶斯高斯图模型推断方法,通过贝叶斯图形套索实现后验稳健性,并开发了加权贝叶斯自助法高效计算算法。
2025-01-23 stat.ME
Bayesian sparse graphical models and their mixtures using lasso selection priors
我们提出了高斯图形模型的贝叶斯方法,导致稀疏和自适应收缩的精度(逆协方差)矩阵的估计。我们的方法是基于套索型正则化先验导致简约的参数化的精度矩阵,这是必不可少的几个应用程序,涉及学习变量之间的关系。在这种情况下,我们引入了一种新类型的选择之前,开发一个稀疏结构的精度矩阵,使大多数元素正好为零,除了确保正定性-从而进行模型选择和估计同时进行。我们将这些方法扩展到有限和无限混合高斯图形模型的聚类数据使用Dirichlet过程先验。我们讨论了适当的后验模拟方案,以实现后验推理在所提出的模型,包括评估的归一化常数,这是感兴趣的参数的功能,从而导致相关矩阵的限制。我们评估我们的方法的操作特性,通过几个模拟和应用到真实的数据集。
2013-10-03 stat.ME
Empowering Differential Networks Using Bayesian Analysis
差分网络(DN)是模拟多个样本之间条件依赖关系变化的重要工具。贝叶斯方法估计DN,从经典的观点,介绍了一个计算效率的阈值选择图形模型的确定。该算法分别估计精度矩阵的DN使用贝叶斯自适应图形套索过程。合成实验表明,贝叶斯DN执行异常良好的数值精度和图形结构的确定相比,国家的最先进的方法。将所提出的方法应用于南非COVID- $19$数据,以研究大流行不同阶段之间DN结构的变化。
2021-05-28 stat.ME
Bayesian inference for general Gaussian graphical models with application to multivariate lattice data
我们介绍了有效的马尔可夫链蒙特卡罗方法的推断和模型确定的多元和矩阵变量高斯图形模型。我们的框架是基于G-Wishart先验的精度矩阵与图,可以是可分解或不可分解的。我们扩展我们的抽样算法,一类新的条件自回归模型的稀疏估计在多元格数据,特别强调空间数据的分析。这些模型在估计跨结果的相关性结构和空间相关性结构方面具有很大的灵活性,从而允许自适应平滑和空间自相关参数。我们的方法使用模拟和现实世界的例子,包括癌症死亡率监测的应用程序进行说明。
2010-05-21 stat.ME
Bayesian inference for Gaussian graphical models beyond decomposable graphs
图模型的贝叶斯推断近年来受到了广泛的关注。众所周知,当图G是可分解的时,贝叶斯推断比在一般的不可分解设置中明显更易处理。另一方面,惩罚似然推理在过去几年中在可扩展性和易处理性方面取得了巨大的进步。然而,贝叶斯推断并没有取得同样的成功,尽管可扩展的贝叶斯方法有其各自的优势,特别是在量化不确定性方面。为了解决这个问题,我们提出了一个可扩展的和灵活的新贝叶斯方法估计和模型选择高斯无向图模型。首先,我们开发了一类广义G-Wishart分布的多个形状参数的任意底层图。这个类包含G-Wishart分布作为特例。然后,我们引入了广义Bartlett(GB)图的类,并推导出一个有效的吉布斯抽样算法,以获得后验绘制从广义G-Wishart分布对应的GB图。广义Bartlett图类包含可分解图类作为特殊情况,但比可分解图类大得多。我们继续推导出所提出的吉布斯采样器的理论性质。然后,我们证明,建议的吉布斯采样器是可扩展的显着高维问题相比,使用一个接受拒绝或大都市-黑斯廷斯算法。最后,我们展示了所提出的方法对模拟和真实数据的有效性。
2015-05-04 stat.ME
A Bayesian Dynamic Graphical Model for Recurrent Events in Public Health
为了分析某些类型的公共卫生干预措施的影响,我们需要估计适用于异质开放人群的处理效应和结果。动态修改包含风险群体的人群,这些群体对协变量的变化反应非常不同,这无疑是一项挑战。在这里,我们提出了一种新的贝叶斯图形模型,称为减少动态链事件图(RDCEG)定制这样的人群。这些模型将基于树的链事件图推广到一类特殊的图支持的半马尔可夫过程。它们提供了一个接口之间的自然语言解释什么可能发生在个人和正式的统计分析。在这里,我们展示了RDCEG如何能够表达每个脆弱个体的不同可能进展,以及该人群中不同个体之间这些进展中的概率对称性假设。我们展示了如何完善的贝叶斯网络技术可以几乎无缝地转移到这个类。我们的工作是出于对复发性事件过程的非药物干预建模的挑战。我们说明了我们的方法在两个设置:干预,以减少老年人之间的跌倒和试验,以检查延迟治疗的影响,个人提出的早期癫痫。
2019-10-11 stat.ME
Phylogenetically informed Bayesian truncated copula graphical models for microbial association networks
微生物在宿主健康中起着关键作用。高通量测序技术的进步为更深入地了解微生物相互作用提供了机会。然而,由于16S核糖体RNA测序的限制,微生物组数据是零膨胀的,并且不能在受试者之间进行微生物丰度的定量比较。通过利用最近的微生物组分析技术,量化16S核糖体RNA微生物计数,我们提出了一种新的贝叶斯图形模型,通过系统发育树之前,并明确说明零通货膨胀使用截断高斯copula微生物的进化历史。我们的模拟研究表明,进化信息大大提高了网络估计的准确性。我们将所提出的模型应用于106名健康受试者的定量肠道微生物组数据,并确定了现有微生物网络估计模型无法确定的三种不同的微生物群落。我们进一步发现,这些社区是基于微生物利用氧气作为能源的能力来区分的。
2021-05-11 stat.ME
Robust Bayesian Graphical Regression Models for Assessing Tumor Heterogeneity in Proteomic Networks
本文提出稳健贝叶斯图回归模型rBGR,通过随机边际变换和图回归技术处理非正态数据下的异质网络估计,并在肺癌与卵巢癌蛋白质组网络分析中揭示了受免疫细胞丰度差异性影响的关键蛋白质相互作用。
2023-10-27 stat.ME
Learning Heterogeneous Ordinal Graphical Models via Bayesian Nonparametric Clustering
KLATASDS-MOE, School of Statistics, East China Normal University(华东师范大学统计学院);Department of Statistics & Probability, Michigan State University(密歇根州立大学统计与概率系)
本文提出一种非参数贝叶斯框架,通过混合有限混合方法,解决有序数据建模中的异质性问题,实现灵活的子群体发现和参数估计,适用于体育分析中的潜在模式识别。
2025-12-04 stat.ME
Probability Based Independence Sampler for Bayesian Quantitative Learning in Graphical Log-Linear Marginal Models
贝叶斯方法的图形对数线性边际模型还没有发展到与传统的频率论方法相同的程度。在这项工作中,我们引入了一种新的贝叶斯方法,用于此类模型的定量学习。这些模型属于弯曲指数族,从贝叶斯的角度来看很难处理。此外,可能性不能解析地表示为边际对数线性相互作用的函数,而只能用细胞计数或概率表示。后验分布不能直接得到,需要MCMC方法。最后,一个定义良好的模型需要参数值,导致兼容的边际概率。因此,任何MCMC都应该考虑到这一重要限制。我们构建了一个全自动和高效的MCMC策略,用于处理这些问题的图形对数线性边际模型的定量学习。虽然先验表示的边际对数线性相互作用,我们建立了一个MCMC算法,采用概率参数空间的建议。通过参数变换,得到了关于边际对数线性相互作用的相应建议。通过这种策略,我们实现了在期望的目标空间内移动。在每一步中,我们直接使用定义良好的概率分布。此外,我们可以利用条件共轭设置来建立关于概率参数的有效建议。所提出的方法说明了模拟研究和真实的数据集。
2018-07-03 stat.ME
Bayesian Structure Learning in Sparse Gaussian Graphical Models
用相对较少的观测数据解读大量变量之间的复杂关系是科学中的关键问题之一。解决这个问题的一种方法是高斯图形建模,它通过底层图中边的存在或不存在来描述变量的条件独立性。在本文中,我们介绍了一种新的和有效的贝叶斯框架的高斯图形模型的确定,这是一个跨维的马尔可夫链蒙特卡罗(MCMC)方法的基础上的连续时间生灭过程。我们涵盖了该方法的理论和计算细节。它易于实现,计算上可行的高维图。我们表明,我们的方法优于其他贝叶斯方法的收敛性,混合在图空间和计算时间。与频率主义方法不同,它为结构学习提供了一种原则性的,在实践中也是明智的方法。我们说明了广泛的模拟数据的方法的效率。然后,我们将该方法应用于人类和乳腺基因表达研究的大规模实际应用中,以显示其经验有用性。此外,我们在R软件包BDgraph中实现了该方法,该软件包可在http://CRAN.R-project.org/package=BDgraph免费获得
2019-04-25 stat.ME
Comment on Vogels et al.'s (2024) "Bayesian Structure Learning in Undirected Gaussian Graphical Models: Literature Review with Empirical Comparison": An updated performance check using BGGM
评论指出 Vogels 等人比较中 BGGM 因先验包含概率设置不当(2/3 对其他方法 0.2)导致性能被低估,改用 0.2 后 BGGM 性能与其他贝叶斯方法相当。
2026-09-29 stat.ME
Bayesian Analysis of High-dimensional Discrete Graphical Models
这项工作介绍了一种贝叶斯方法来拟合大型离散图形模型与尖峰和板先验编码稀疏。我们考虑一个准似然方法,使节点并行计算,从而降低计算复杂度。我们引入了一个可扩展的Langevin MCMC算法的采样从准后验分布,使变量的选择和估计同时进行。我们提出了广泛的仿真结果,以证明该方法的可扩展性和准确性。我们还分析了16个人格因素(PF)数据集,以说明该方法的性能。
2019-10-17 stat.CO 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
Bayesian Regularization of Gaussian Graphical Models with Measurement Error
我们考虑一个框架,用于确定和估计的条件成对关系的变量时,所观察到的样本被污染的测量误差在高维设置。假设真实的潜在变量遵循多元高斯分布,如果不存在测量误差,则通常通过在稀疏约束下估计精度矩阵来解决该问题。然而,当存在测量误差时,不对其进行校正会导致精度矩阵的不一致估计和关系的不良识别。我们提出了一种新的贝叶斯方法来纠正观测样本的测量误差。该贝叶斯程序利用最新的加标-平板Lasso变体获得精密度矩阵的点估计值,并通过最近提出的针对缺失数据设计的插补-正则化优化程序校正污染。我们的方法被证明比天真的方法,忽略测量误差在识别和估计精度。为了显示该方法的实用性,我们应用新的方法来建立一个条件基因网络从微阵列数据集。
2019-07-04 stat.ME
Bayesian computation for high-dimensional Gaussian Graphical Models with spike-and-slab priors
Università della Svizzera Italiana(瑞士意大利语大学);Monash University(莫纳什大学);Universitat Pompeu Fabra(庞培法布拉大学);Barcelona School of Economics(巴塞罗那经济学院)
研究高维高斯图形模型的贝叶斯计算,提出完全贝叶斯算法,包括块内吉布斯 - 梅特罗波利斯 - 黑斯廷斯算法和全局提议,可扩展到高维,给出混合边界和成本边界,扩展了精确贝叶斯推断的适用性。
2026-07-21 stat.ME
Bayesian Low Rank and Sparse Covariance Matrix Decomposition
本文研究了一类特殊结构的高维协方差阵的估计问题,该结构是低秩稀疏矩阵的和。该协方差结构具有广泛的应用,包括因子分析和随机效应模型。我们提出了一种估计协方差阵的贝叶斯方法,通过将协方差模型表示为潜在因子个数未知的因子模型的形式。我们引入二元指标的因素选择和秩估计的低秩分量结合贝叶斯套索方法的稀疏分量估计。仿真结果表明,该方法可以恢复的秩以及稀疏的两个组件分别。我们进一步将我们的方法扩展到图形因子模型,其中残差的图形模型以及选择因子的数量是感兴趣的。我们采用超逆Wishart先验建模的残差可分解的图形,和贝叶斯图形套索选择方法的不受限制的图形。我们通过模拟表明,扩展模型可以恢复的潜在因素的数量和图形模型的残差成功时,样本量是足够的相对于尺寸。
2013-10-15 stat.ME
Bayesian precision matrix estimation for graphical Gaussian models with edge and vertex symmetries
\citet{HojLaur:2008}提出了边和顶点对称的图高斯模型,并给出了计算这类模型精度矩阵的最大似然估计的算法。在本文中,我们采取贝叶斯方法的精度矩阵的估计。我们只考虑那些模型的对称性约束施加在精度矩阵,从而形成一个自然的指数家庭的精度矩阵作为规范参数。我们首先确定了Diaconis-Ylvisaker共轭先验这些模型,并制定了一个计划,从先验和后验分布的样本。因此,我们得到的精度矩阵的后验均值的估计。其次,为了验证我们的估计的精度,我们推导出的精度矩阵的期望值的显式解析表达式时,我们的模型的图是一棵树,一个完全的图上的三个顶点和一个可分解的图上的四个顶点具有各种对称性。在这些情况下,我们将估计值与先验分布的平均值进行比较。我们还验证了我们的后验均值的估计的准确性与多达30个顶点和各种对称性的图的模拟数据。
2015-06-14 stat.ME
Bayesian Graphical Models under Positivity Constraints: A Scalable Generalized Likelihood Approach
University of Florida(佛罗里达大学);Florida State University(佛罗里达州立大学)
该研究提出正性约束下贝叶斯图模型的可扩展广义似然方法,通过改进采样算法提升高维精度矩阵估计效率,在合成与金融数据上表现出计算优势。
2026-10-23 stat.ME
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
Texas A&M University(德克萨斯农工大学);University of Texas at Austin(得克萨斯大学奥斯汀分校)
该研究提出了一种基于贝叶斯非参数协变量依赖定向循环图模型的方法,用于学习空间变化的基因调控网络,通过划分平均获得平滑变化的图结构,并在空间转录组学数据中揭示了具有反馈回路的调控网络。
2025-12-12 stat.ME
Bayesian Regularization for Functional Graphical Models with Applications to Neuroimaging
图模型用于表达在不同节点上观察到的随机变量之间的条件依赖关系,广泛应用于遗传学、神经科学和社会网络分析等许多领域。虽然目前大多数用于估计图形模型的统计方法都集中在标量数据上,但当在每个节点处观察到的数据是功能性的(例如信号或图像)时,人们对估计类似的依赖结构感兴趣。在本文中,我们提出了一个完全贝叶斯正则化计划估计功能图模型。我们首先考虑乔等人提出的函数图形套索的直接贝叶斯模拟。(2019)。然后,我们提出了一个正则化策略,通过图形马蹄铁。我们通过模拟研究比较这些方法,并将我们提出的功能图形马蹄铁应用于两个激励应用程序,用于比较酒精组和对照组之间的脑激活的脑电图数据,以及在创伤性脑损伤(TBI)存在下结构连接的变化。我们的研究结果让我们深入了解了大脑在受伤后如何试图补偿断开的网络。
2022-10-21 stat.AP stat.ME stat.ML
Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification
School of Statistics and Data Science, Shanghai University of International Business and Economics(上海对外经贸大学统计与数据科学学院);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与数据科学学院);Department of Biostatistics, Yale School of Public Health(耶鲁公共卫生学院生物统计学系)
本文提出了一种监督式贝叶斯联合图模型,用于同时估计异质网络并识别亚组,通过引入新的相似性先验,提升了生物网络构建和亚组识别的临床意义。
2026-02-24 stat.ME
Bayesian Structure Learning in Graphical Models using Shrinkage priors
我们考虑在稀疏性假设下学习高维精度矩阵结构的问题。我们建议使用收缩先验,称为DL-图形先验的基础上的狄利克雷-拉普拉斯先验用于高斯均值问题。同时给出了一种基于Gibbs抽样的后验抽样方案,并通过精度矩阵的后验收敛速度给出了该方法的理论保证。
2019-07-26 math.ST stat.ME stat.TH
Bayesian Covariate-Dependent Quantile Directed Acyclic Graphical Models for Individualized Inference
提出贝叶斯协变量依赖分位数DAG模型qDAGx,利用参数扩展马蹄先验实现大规模变量下的个体化网络结构推断,克服均值回归局限,在精准医学中成功推断肺癌患者特异性的蛋白质相互作用网络。
2023-05-22 stat.ME
Bayesian Graphs of Intelligent Causation
本文将对抗风险分析与因果图模型结合,提出在对抗性环境中建模对手智能规避干预反应的贝叶斯图方法,并通过渗透场景验证其有效性。
2024-04-05 stat.ME
Bayesian inference as iterated random functions with applications to sequential inference in graphical models
本文提出了具有半群性质的迭代随机函数的一般形式,在此形式下,精确和近似的贝叶斯后验更新可以看作是具体的例子。给出了迭代随机函数的一个收敛定理。作为一般理论的应用,我们分析的收敛行为的精确和近似的消息传递算法中出现的顺序变点检测问题,制定通过一个潜在的变量有向图模型。通过仿真实例说明了顺序推理算法及其支持理论。
2013-11-01 math.ST 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
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
Bayesian Estimation of Gaussian Graphical Models with Predictive Covariance Selection
高斯图形模型用于确定变量之间的条件关系。这是通过识别逆协方差阵中非零的非对角元素来实现的。当变量(p)与观测值(n)之比接近1时,协方差阵的极大似然估计量变得不稳定,需要收缩估计。虽然已经引入了几种经典(频率论)方法来解决这个问题,但完全贝叶斯方法在实践和方法学文献中仍然相对罕见。在这里,我们介绍了一种估计稀疏矩阵的贝叶斯方法,其中的条件关系确定与投影预测选择。该方法利用库尔贝克-莱布勒散度和交叉验证进行邻域选择,在低维和高维环境下重建逆协方差阵。通过模拟和应用示例,我们将性能与几种贝叶斯方法和图形套索以及TIGER进行了比较,TIGER类似地使用回归估计逆协方差阵。我们的研究结果表明,投影预测选择不仅具有优越的性能相比,选择最可能的模型和贝叶斯模型平均,特别是对于高维数据,而且相比贝叶斯和经典glasso方法。此外,我们表明,估计逆协方差阵与多元回归往往是更准确的,相对于各种损失函数,和效率比直接估计。在低维环境中,我们证明了投影预测选择也提供了有竞争力的性能。我们在R软件包GGMprojpred中实现了协方差选择的投影预测方法
2018-08-04 stat.AP stat.ME
Bayesian Edge Regression in Undirected Graphical Models to Characterize Interpatient Heterogeneity in Cancer
图形模型通常用于发现复杂疾病(如癌症)的基因或蛋白质网络之间的关联。大多数现有的方法估计一个单一的图形的人口,而在许多情况下,研究人员感兴趣的是表征个体网络的异质性,跨学科的受试者水平的协变量。例子包括评估网络如何随着患者特异性预后评分或肿瘤和正常图的比较而变化,同时将肿瘤纯度作为连续预测因子。在本文中,我们提出了一种新的无向图的边回归模型,估计作为主题级协变量的函数的条件依赖。贝叶斯收缩算法用于在底层图形模型中诱导稀疏性。我们通过模拟研究来评估我们的模型性能,模拟研究的重点是比较肿瘤和正常图,同时调整肿瘤纯度,以及评估肝细胞癌患者的血液蛋白网络如何随疾病严重程度而变化的案例研究,由HepatoScore(一种测量疾病严重程度的新型生物标志物签名)测量。
2021-01-23 stat.AP stat.ME
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型(SGDLM)定义了一种能力,规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法,开发和嵌入一种新的,自适应的方法,同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展,并在探索由此产生的潜力,改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明,SGDLM能够很好地预测波动率和共同波动率,使其非常适合为量化投资策略做出贡献,以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标,这些指标定义了金融市场压力增加的领先指标,与标准的圣路易斯联邦储备银行金融压力指数(STLFSI)指标相当,但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
BAGEL: A Bayesian Graphical Model for Inferring Drug Effect Longitudinally on Depression in People with HIV
获得和坚持抗逆转录病毒疗法使艾滋病毒感染从致命疾病转变为慢性疾病。然而,ART也因其副作用而闻名。研究报告称,ART与抑郁症相关。大规模的艾滋病临床数据库,包括个人的纵向抑郁记录,ART药物和临床特征,为研究人员提供了前所未有的机会来研究ART药物对抑郁症的影响。我们开发了BAGEL,一种贝叶斯图形模型,用于调查ART药物对一系列抑郁症状的纵向影响,同时调整参与者的人口统计学,行为和临床特征,并通过贝叶斯非参数先验考虑异质性人群。我们通过模拟研究评估BAGEL。从妇女的机构间艾滋病毒研究的数据集的应用程序产生可解释的和临床上有用的结果。BAGEL不仅可以提高我们对ART药物对不同抑郁症状影响的理解,而且在指导知情和有效的治疗选择方面具有临床实用性,以促进艾滋病毒的精准医学。
2020-07-03 stat.AP stat.ME
A Bayesian approach for partial Gaussian graphical models with sparsity
我们探索各种贝叶斯方法来估计部分高斯图形模型。我们的分层结构能够处理单输出以及多输出线性回归,在小或高维,通过预测和响应之间的部分相关性(直接链接),通过与每个设置对应的尖峰和板先验,强制执行无稀疏性,稀疏性,组稀疏性或甚至稀疏组稀疏性的双水平选择。适应性和全球收缩也纳入贝叶斯建模的直接联系。现有的模型选择一致性的结果是重新制定坚持我们的稀疏和组稀疏设置,提供了理论保证下的一些技术假设。吉布斯采样器的开发和仿真研究表明,我们的模型,这给非常有竞争力的结果,特别是在支持恢复的效率。最后,研究了一个真实的数据集。
2021-12-13 math.ST stat.ME stat.TH
Bayesian sparse graphical models for classification with application to protein expression data
反相蛋白质阵列(RPPA)分析是一种功能强大的相对较新的平台,可以对蛋白质网络进行高通量定量分析。目前限制这项技术潜力的挑战之一是缺乏允许准确数据建模和识别相关网络和样本的方法。这样的模型可以提高基于蛋白质网络激活模式的生物样品分类的准确性,并提供对不同类型癌症的不同生物学关系的洞察。出于RPPA数据,我们提出了一个贝叶斯稀疏图形建模方法,使用选择先验的条件关系中存在的类信息。我们的贝叶斯模型的新颖之处在于能够从网络数据中提取信息,以及在一个统一的分层模型分类的相关分类结果。此外,我们的方法允许直观的先验网络信息直接集成在模型中,并允许在类内和类之间的网络拓扑结构的后验推理。将我们的方法应用于从人乳腺癌和卵巢癌细胞系的面板生成的RPPA数据集,我们证明该模型能够比几种现有模型更准确地区分不同的癌细胞类型,并识别这两种类型癌症之间的关键信号网络(PI 3 K-AKT通路)的组分的差异调节。这种方法代表了一种强大的新工具,可用于提高我们对癌症蛋白质网络的理解。
2014-11-21 stat.ME
An Approximate Bayesian Approach to Covariate-dependent Graphical Modeling
高斯图模型通常假设所有主题的均匀结构,这在应用中通常是限制性的。在这篇文章中,我们提出了一个加权伪似然方法的图形建模,允许不同的主题有不同的图形结构取决于无关的协变量。伪似然方法用每个变量的条件分布的乘积代替联合分布。我们将条件分布转换为异方差回归问题,具有协变量依赖方差项,以使信息直接从数据中借用,而不是分层框架。这允许对每个主题进行独立的图形建模,同时保留分层贝叶斯模型的优点,并且在计算上易于处理。提出了一种有效的并行变分算法来逼近后验估计,并得到了图的估计。使用分数变分的框架,我们推导出渐近风险界的估计方面的一个新的变种的$α$ -Rényi分歧。我们从理论上证明了跨协变量的信息借用相对于独立建模的优势。我们通过模拟研究显示了该方法的实际优势,并使用CNV信息作为协变量说明了乳腺癌患者蛋白质表达水平的依赖结构。
2023-03-15 stat.CO stat.ME
Fast Bayesian High-Dimensional Gaussian Graphical Model Estimation
本文提出一种基于贝叶斯邻域回归集成的高维高斯图模型估计方法,利用Horseshoe先验和基于边际似然的变量选择实现稀疏性与并行化,并通过模拟及三阴性乳腺癌基因表达数据验证其性能。
2023-08-04 stat.AP stat.ME
Weighted Bayesian Bootstrap for Scalable Bayes
我们开发了一个加权贝叶斯Bootstrap(WBB)的机器学习和统计。WBB通过从高维后验分布采样来提供不确定性量化。WBB计算速度快,可扩展,仅使用离线优化软件,如TensorFlow。我们提供了适用于各种机器学习和统计模型的正则条件。我们在正则化回归、趋势过滤和深度学习中说明了我们的方法。最后,我们总结了未来研究的方向。
2018-03-12 stat.ME
Momentum-Space Renormalization Group Transformation in Bayesian Image Modeling by Gaussian Graphical Model
Tohoku University(东北大学);Yamagata University(山形大学)
针对高斯图模型,提出了一种将边际似然最大化与动量空间重整化群变换相结合的贝叶斯建模方法。此外,我们提出了一个计划计算的统计平均值的超参数和均方误差在我们提出的方法的基础上动量空间重整化变换。
2018-03-20 cond-mat.stat-mech cs.LG stat.ML
Bayesian Joint Spike-and-Slab Graphical Lasso
Yale School of Public Health(耶鲁大学公共卫生学院);University of Washington(华盛顿大学);Ohio State University(俄亥俄州立大学)
在这篇文章中,我们提出了一个新的类的先验贝叶斯推断与多高斯图形模型。我们完全引入贝叶斯处理两个流行的程序,组图形套索和融合图形套索,并将其扩展到一个连续的钉和板的框架,允许自适应收缩和模型选择同时进行。我们开发了一个期望最大化算法,执行快速和动态的探索后验模式。我们的方法有效地选择稀疏模型,其偏差比其他正则化程序所引起的偏差小得多。所提出的方法的性能通过仿真和两个实际数据的例子证明。
2019-05-09 cs.LG stat.ML
Graphical models with marginals in the exponential family
本文提出一种三层层级模型作为超马尔可夫法则,使具有二次方差函数的指数族边缘分布的图模型成为可能,并采用贝叶斯方法进行参数推断,通过模拟与真实数据分析验证了其实用性。
2025-04-29 stat.ME
A scalable quasi-Bayesian framework for Gaussian graphical models
本文研究了高维高斯图模型的贝叶斯估计。我们开发了Meinshausen和Buhlmann(2006)的邻域选择方法的准贝叶斯实现,用于估计高斯图模型。该方法产生的产品形式的准后验分布,可以有效地探索并行计算。我们推导出了拟后验分布的收缩率的非渐近界。结果表明,所提出的准后验分布以邻域选择中涉及的线性回归的最差收缩率的速率向真精度矩阵收缩.我们开发了一个用于近似计算的马尔可夫链蒙特卡罗算法,遵循Atchade(2015)的方法。我们说明了模拟研究的方法。结果表明,该方法可以拟合高斯图模型的规模与其他贝叶斯方法的图模型。
2015-12-25 math.ST stat.TH