Sparsifying transform priors in Gaussian graphical models
Norwegian University of Science and Technology(挪威科技大学)
本文提出了一种新的ST先验分布,用于解决高斯图模型中MCMC算法的双重不可计算性问题,并在真实数据上验证了其有效性。
2026-01-13 stat.ME
What is your Prior Worth? Effective Sample Size and Sample Size Planning for Gaussian Graphical Models
University of Amsterdam(阿姆斯特丹大学)
针对高斯图模型(GGM)下Wishart和G-Wishart先验,提出先验有效样本量(ESS)估计方法,并基于此开发两种互补的样本量规划策略:数据-先验信息比(DPIR)和贝叶斯因子设计分析(BFDA)。
2026-07-20 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
Regression-Based Bayesian Estimation and Structure Learning for Nonparanormal Graphical Models
非超常图模型是高斯图模型的半参数推广,其中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推理的非超自然图形模型,我们把先验的未知变换通过一个随机序列的基础上B-样条。我们使用一个回归公式来构建的可能性,通过Cholesky分解的转换变量的基础精度矩阵,并把收缩先验的回归系数。我们应用一个插件变分贝叶斯算法学习稀疏精度矩阵和性能比较后吉布斯抽样计划在模拟研究。最后,我们将所提出的方法应用到一个真实的数据集。关键词:
2021-02-20 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
Evidence Estimation in Gaussian Graphical Models Using a Telescoping Block Decomposition of the Precision Matrix
本文提出基于精度矩阵伸缩块分解的新方法,结合Chib技术,在统一框架下解决了高斯图模型中Wishart、G-Wishart、贝叶斯图lasso和图horseshoe等广泛先验下的模型证据估计问题。
2024-08-30 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
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 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
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
Soft computing for the posterior of a new matrix t graphical network
本文提出一种基于矩阵变量gamma噪声先验的新型矩阵t图形网络模型,通过贝叶斯结构学习计算后验并评估网络中心性,在合成与真实股票数据上验证了其比现有模型更灵活。
2023-12-01 stat.ME
Bayesian Analysis of Marginal Log-Linear Graphical Models for Three Way Contingency Tables
本文讨论了三向列联表边际独立图模型的贝叶斯分析。我们使用一个边际对数线性参数化,根据该模型是通过合适的零约束的相互作用参数计算的边缘分布。我们对这些模型进行了全面的贝叶斯分析,包括先验分布的适当选择、估计、模型确定以及相关的计算问题。该方法示出了参考两个真实的数据集。
2008-07-07 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
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
Gaussian graphical modeling for spectrometric data analysis
受光谱数据分析的启发,我们引入了一个高斯图形模型来学习红外吸收光谱的频带之间的依赖结构。通过B-样条基扩展和高斯图形模型被假定为平滑系数的先验规范,以诱导其精度矩阵的稀疏性,光谱被建模为连续的函数数据。进行贝叶斯推断以同时平滑曲线并估计功能域的部分之间的条件独立结构。将该模型应用于草莓酱的红外吸收光谱分析。
2021-07-03 stat.ME
An empirical $G$-Wishart prior for sparse high-dimensional Gaussian graphical models
在高斯图模型中,精度矩阵中的零元素决定了依赖结构,因此估计稀疏精度矩阵并由此学习该底层结构是一个重要且具有挑战性的问题。我们提出了一个经验版本的$G$ -Wishart先验稀疏精度矩阵,先验模式是由数据以适当的方式通知。与图结构上的先验配对,获得相同的边缘后验分布,其采取两个$G$ -Wishart归一化常数的比率的形式。我们表明,这个比例可以很容易地和准确地计算使用拉普拉斯近似,从而导致快速和有效的后验采样,即使在高维。数值结果表明,所提出的方法的优越性能,在速度和精度方面,在各种设置,并提供了理论支持的形式后浓度率定理。
2019-12-09 math.ST stat.ME stat.TH
Learning Nonparametric Forest Graphical Models with Prior Information
University of Chicago(芝加哥大学);Toyota Technological Institute at Chicago(芝加哥丰田技术研究院)
我们提出了一个框架,将先验信息的图形模型的非参数估计。为了避免分布的假设,我们限制图是一个森林和森林密度估计(FDE)的工作。我们重新制定的FDE方法从贝叶斯的角度来看,并引入先验分布的图形。作为两个具体的例子,我们应用这个框架来估计无标度图和学习具有相似结构的多个图。所得到的算法是等价的,找到一个最大生成树的加权图与惩罚项的连通性模式的图。我们通过一个最小化最大化过程与Kruskal的算法来解决优化问题。仿真结果表明,所提出的方法优于竞争参数方法,并对真实数据分布具有鲁棒性。它们还导致两个真实数据集的预测能力和可解释性的改善。
2016-05-25 cs.LG stat.ME stat.ML
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
Graphical Negative Multinomial and Multinomial Models with Dirichlet-type priors
本文提出图形负多项式和多项式分布,打破连续与离散图形模型的二分法,并引入图形Dirichlet先验,推导其归一化常数和强超马尔可夫性质。
2025-03-29 math.PR math.ST stat.TH
A skew Gaussian decomposable graphical model
本文提出了一种新的可分解的图形模型,以适应斜高斯图形模型。我们通过一个可分解的图对多元闭斜向正态随机向量的分量之间的条件独立结构进行编码,使得精度矩阵中的零非对角元素的模式对应于给定图的缺失边。我们提出的条件,保证适当的后验分布下的标准无信息的先验均值向量和精度矩阵,和一个适当的偏度参数的先验。的参数的可识别性进行了研究,通过仿真研究。最后,我们将我们的方法应用于两个数据集。
2013-09-20 math.ST stat.ME stat.TH
Bayesian Graphical Entity Resolution Using Exchangeable Random Partition Priors
实体解析(记录链接或重复数据删除)是识别和链接数据库中重复记录的过程。在本文中,我们提出了一个贝叶斯图形化的实体决议,链接记录潜在的实体,在链接结构的先验表示是可交换的。首先,我们采用了灵活和听话的先验知识的链接结构,这对应于一类特殊的随机划分模型。其次,我们提出了一个更现实的失真模型的分类/离散记录属性,纠正与标准的命中-未命中模型的逻辑不一致。第三,我们结合hyperpriors来提高灵活性。第四,我们采用了部分塌陷吉布斯采样器的推理加速。使用选择的私人和非私人的数据集,我们调查我们的建模贡献的影响,并比较我们的模型与两个替代贝叶斯模型。此外,我们进行了模拟研究家庭调查数据,在那里我们不同的失真,重复率和数据集的大小。我们发现,我们的模型在各种场景中的表现比替代方案更一致,并且通常达到最高的实体分辨率准确度(F1得分)。开源软件可用于我们提出的方法,我们提供了关于我们的工作和未来方向的讨论。
2023-01-08 cs.DB 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
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
A naıve Bayesian graphical elastic net: driving advances in differential network analysis
本研究提出朴素贝叶斯自适应图弹性网(BAE)先验用于估计差异网络,推导了启发式结构确定机制和块Gibbs采样器,在合成与真实数据集上验证了其优越的适应性和实用性。
2023-06-25 stat.ME
Estimation of partially known Gaussian graphical models with score-based structural priors
Rice University(莱斯大学);King Juan Carlos University(胡安·卡洛斯国王大学)
本文提出一种融合图上先验信息的部分已知高斯图模型支持估计算法,利用退火朗之万扩散和图神经网络估计分数函数,从后验分布采样以提升估计性能。
2024-02-23 cs.LG stat.ML
A positive-definiteness-assured block Gibbs sampler for Bayesian graphical models with shrinkage priors
尽管Wang(2012)提出的贝叶斯图LASSO的块Gibbs采样器近年来已被广泛应用并扩展到各种收缩先验,但它具有不太明显但可能严重的缺点,即在Gibbs采样器的每个循环中不能保证高斯图模型中精度矩阵的正定性。具体地说,如果精度矩阵的维数超过样本量,精度矩阵的正定性将难以满足,吉布斯采样器几乎肯定会失败。在本文中,我们建议修改原来的块吉布斯采样器,使精度矩阵永远不会失败,是正定的采样,正是从域的正定性。正如我们在蒙特卡罗实验中所示,这种修改不仅稳定了采样过程,而且显着提高了参数估计和图形结构学习的性能。我们还将我们提出的算法应用于股票数量超过样本周期的月度回报数据的图形模型,证明了其稳定性和可扩展性。
2022-04-14 stat.CO
Bayes Regularized Graphical Model Estimation in High Dimensions
在过去的十年中,贝叶斯图模型估计方法得到了很大的发展-然而,大多数现有的方法仅限于中等尺寸。我们提出了一种新的方法,适用于高维设置,通过解耦模型拟合和协方差选择。首先,基于完全图的完整模型在精度矩阵元素上的新型连续收缩先验下拟合,这在与基于Cholesky的正则化等价的情况下引起收缩,同时实现整个精度矩阵的共轭更新。随后,我们提出了一个后拟合的图形模型估计步骤,该步骤使用惩罚联合可信区域进行邻域选择顺序为每个节点。后验计算使用直接的完全吉布斯抽样进行,并且该方法可扩展到高维。所提出的方法被证明是渐近一致的估计固定$p$的图形结构时,真相是一个高斯图形模型。仿真结果表明,我们的方法相比,无论是在图形模型估计和计算效率方面的贝叶斯竞争对手。我们将我们的方法应用于癌症基因组学中的高维基因表达和microRNA数据集。
2013-08-19 stat.ME
A partial graphical model with a structural prior on the direct links between predictors and responses
本文研究了具有结构贝叶斯惩罚的部分图模型的估计问题。确切地说,我们对线性回归设置感兴趣,其中通过潜在的高维预测因子和多个响应之间的直接联系进行估计,因为已知高斯图形模型仅能够显示直接联系,而线性回归中的系数包含直接和间接关系(由于变量之间的强相关性,\textit{e.g.})。一个光滑的惩罚反映了广义高斯贝叶斯先验的协变量,无论是强制执行模式(如行结构)的直接链接或调节预测的联合影响。我们给出了一个理论保证我们的方法,采取的形式上的估计误差的上界的高概率,提供了适当的正则化模型。对合成数据和真实数据集进行了实证研究。
2021-05-22 math.ST stat.AP stat.TH
Bayesian nonparametric graphical models for time-varying parameters VAR
在过去的十年中,大数据已经涌入计量经济学,需要新的统计方法来分析高维数据和复杂的非线性关系。解决维度问题的常见方法依赖于使用静态图形结构来提取感兴趣的变量之间最重要的依赖关系。最近,贝叶斯非参数技术已经成为流行的建模复杂的现象在一个灵活和有效的方式,但只有很少的尝试已经在计量经济学。在本文中,我们提供了一个创新的贝叶斯非参数(BNP)的时变图形框架,在高维时间序列的推断。我们通过Nieto-Barajas et al.(2012)中的时间序列DPP在系数矩阵和协方差矩阵上包括贝叶斯非参数依赖先验规范。继Billio等人(2019)之后,我们的分层先验通过将向量自回归(VAR)系数聚类到组中并将每组的系数缩小到一个共同的位置来克服过度参数化和过度拟合问题。我们的BNP时变VAR模型基于钉板结构,结合相关狄利克雷过程先验(DPP),允许:(i)从时间序列推断时变格兰杰因果关系网络;(ii)灵活建模和聚类非零时变系数;(iii)适应潜在的非线性。为了评估模型的性能,我们通过考虑一个著名的宏观经济数据集来研究我们的方法的优点。此外,我们检查的鲁棒性的方法,通过比较两种替代规格,狄拉克和扩散尖峰先验分布。
2019-06-03 econ.EM stat.ME
On the Prior and Posterior Distributions Used in Graphical Modelling
图形模型学习和推理通常使用贝叶斯技术来执行。特别是,学习通常是在两个独立的步骤中进行的。首先,从数据中学习图结构;然后根据该图结构估计模型的参数。虽然第二步中涉及的概率分布已被深入研究,但第一步中使用的概率分布尚未被详细探讨。在本文中,我们将研究在图结构空间上定义的先验分布和后验分布,以学习图模型的结构。特别是,我们将提供一个表征的行为,这些分布作为一个功能的可能边缘的图形。然后,我们将使用从这个特性产生的属性来定义贝叶斯和马尔可夫网络的结构变异性的措施,我们将指出他们的一些可能的应用。
2012-11-13 math.ST stat.ML 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
Scaling It Up: Stochastic Search Structure Learning in Graphical Models
高斯集中图模型和协方差图模型是两类用于揭示多变量之间潜在依赖结构的图形模型。在贝叶斯文献中,图通常是通过使用固定零点的正定矩阵空间上的先验来确定的,但是这些方法在大问题中存在令人生畏的计算负担。由于连续收缩先验在回归分析中具有优越的计算效率,我们提出了一种基于连续尖峰和平板先验的结构学习新框架,并使用潜变量来识别图形。我们讨论了模型规格,计算和推断的浓度和协方差图模型。新的方法产生可靠的估计图,并有效地处理数百个变量的问题。
2015-05-07 math.ST stat.ME stat.TH
An Expectation Conditional Maximization approach for Gaussian graphical models
贝叶斯图模型是理解许多变量之间依赖关系的有用工具,特别是在具有外部先验信息的情况下。在高维环境中,可能的图的空间变得巨大,使得即使是最先进的贝叶斯随机搜索在计算上也不可行。我们提出了一个确定性的替代估计高斯和高斯copula图形模型使用期望条件最大化(ECM)算法,扩展EM方法从贝叶斯变量选择图形模型估计。我们表明,ECM方法可以快速后验探索下的混合先验序列,并可以将多个信息源。
2019-02-06 stat.ML
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
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
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
A proposal for informative default priors scaled by the standard error of estimates
如果我们对某个感兴趣的参数有一个无偏估计,那么它的绝对值对于参数的绝对值是正偏的。当信噪比(SNR)很小时,这种偏差很大,当我们以统计显著性为条件时,它会变得更大;这就是赢家的诅咒。这是正则化的频率论动机。为了确定合适的收缩量,我们建议从大量相似研究的集合或语料库中估计SNR的分布,并将其用作先验分布。语料库的范围越广,先验信息越少,但范围越广并不一定会导致先验信息越分散。我们表明,估计的前简化,如果我们要求后验推理是等变的线性变换下的数据。我们用来自心理学的86项复制研究和178项3期临床试验的语料库证明了我们的方法。我们的建议并不是要取代基于特定问题的完整信息的先验知识;相反,它代表了一个家庭明智的选择,应该比当前默认的统一先验知识产生更好的长期属性,这导致了系统性的高估效应大小和复制危机,当这些夸大的估计在以后的研究中没有出现时。
2020-11-30 stat.ME
Accelerating Bayesian Structure Learning in Sparse Gaussian Graphical Models
高斯图模型是学习变量之间条件独立结构的相关工具。在这类模型中,贝叶斯结构学习通常通过图空间上的搜索算法来完成。满足图形约束的精度矩阵的共轭先验是著名的G-Wishart。有了这个先验,搜索算法中的转移概率需要评估G-Wishart的先验归一化常数的比率。在中到高维中,这个比率通常使用基于采样的方法来近似,作为搜索算法中计算昂贵的更新。到目前为止,计算这个比率一直是一个主要的计算瓶颈。我们克服了这个问题,表示一个搜索算法,在该算法中,归一化常数的比例进行了显式的封闭形式近似。在我们的搜索算法中使用这种近似,在不牺牲结构学习精度的情况下,显著提高了结构学习的可扩展性。我们研究的条件下,近似是有效的。我们还评估了我们的方法与模拟研究的有效性。我们表明,新的搜索算法与我们的近似优于国家的最先进的方法在计算效率和准确性。我们工作的实现可以在R包BDgraph中找到。
2021-07-16 math.ST stat.ME stat.ML
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
An Order of Magnitude Time Complexity Reduction for Gaussian Graphical Model Posterior Sampling Using a Reverse Telescoping Block Decomposition
Department of Statistics, Purdue University(普渡大学统计学系)
本文提出一种反向折叠块分解的MCMC方法,将高斯图模型后验估计的时间复杂度从O(p⁴)降低到O(p³),从而在大规模数据下提升了计算效率。
2026-03-20 stat.CO 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
Multivariate Varying-Coefficient BART with Graphical Horseshoe Priors
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
提出多变量变系数BART框架,用独立BART集成建模非线性系数曲面,图形马蹄先验捕捉残差稀疏依赖,并证明后验收缩率。
2026-06-27 math.ST stat.ME stat.ML
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 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
The conjugate prior for discrete hierarchical log-linear models
在列联表数据的贝叶斯分析中,对数线性参数或单元概率参数的先验分布的选择是一个主要的挑战。尽管Dawid和Lauritzen(1993)已经为可分解的图模型定义了关于细胞概率的共轭先验,但是对于关于任意无向图的更大类的图模型Markov或者对于更大类的分层对数线性模型,它还没有被确定。在本文中,使用的对数线性参数GLIM,我们首先定义这些参数的共轭先验,然后推导出诱导细胞概率的先验:这是为一般类的分层对数线性模型。我们表明,共轭先验具有所有的属性,人们期望从一个先验:记法简单,能够反映没有先验知识或先验的专家知识,一个中等数量的超参数和数学方便。它也有很强的超马尔可夫性,允许局部更新的准素分量的图形模型。
2006-09-04 math.ST stat.TH
Equivalence class selection of categorical graphical models
学习变量之间的依赖关系的结构是统计文献中普遍存在的问题。有向无环图(DAG)可以表示一组条件独立性,但不同的DAG可能编码同一组关系,并且使用观察数据无法区分。等价的DAG可以被收集到类中,每个类由称为基本图(EG)的部分有向图表示。结构学习直接在EG空间上进行,而不是在DAG的联合空间上进行,导致理论和计算上的好处。尽管如此,文献中的大多数努力都致力于高斯数据,较少关注为多变量分类数据设计的方法。然后,我们提出了一个贝叶斯方法的结构学习的分类EGs。结合一个建设性的参数先验启发与图驱动的似然分解,我们得到了一个封闭形式的表达分类EG模型的边际似然。渐近性质进行了研究,和MCMC采样方案的近似后验推理。我们评估我们的方法在模拟场景和真实数据,与国家的最先进的方法相比,具有可观的性能。
2021-02-12 stat.ME
Building Hyper Dirichlet Processes for Graphical Models
图模型用于描述多元数据中的条件独立关系。它们已被用于各种问题,包括对数线性模型(Liu和Massam,2006)、网络分析(Holland和Leinhardt,1981; Strauss和Ikeda,1990; Wasserman和Pattison,1996; Pattison和Wasserman,1999; Robins等人,1999);图形高斯模型(Roverato和Whittaker,1998; Giudici和Green,1999; Marvanic和Benali,2006)和遗传学(Dobra等人,2004年)。满足图的条件独立结构的分布是马尔可夫分布。图模型是一个分布族,它被限制为关于某个图的马尔可夫。在贝叶斯问题中,可以指定图形模型的先验。如果随机边缘也满足独立性约束,则这种先验称为超马尔可夫定律。以前在这一领域的工作包括(Dempster,1972年; Dawid和Lauritzen,1993年; Giudici和Green,1999年; Letac和Massam,2007年)。我们探索图形模型的基础上的非参数家庭的分布,从狄利克雷过程。
2008-07-22 math.ST stat.TH
Bayesian Covariate-Dependent Graph Learning with a Dual Group Spike-and-Slab Prior
本文提出了一种新颖的双重组spike-and-slab先验方法,用于协变量依赖图学习,通过嵌套策略实现协变量、节点和个体多级稀疏选择,并开发免调参Gibbs采样器进行后验推断,在图恢复精度上优于现有方法并应用于微生物组数据分析。
2025-04-03 stat.ME
Learning Gaussian Graphical Models With Fractional Marginal Pseudo-likelihood
University of Helsinki(赫尔辛基大学);Åbo Akademi University(奥博学术大学)
我们提出了一个贝叶斯近似推理方法来学习高斯图模型的依赖结构。使用伪似然,我们推导出一个分析表达式来近似的边缘可能性为任意的图形结构,而不调用任何假设的可分解性。大多数用于学习高斯图形模型的现有方法要么限于可分解的图,要么需要指定可能对学习结构产生重大影响的调谐参数。通过结合一个简单的稀疏诱导先验的图形结构与一个默认的参考先验的模型参数,我们得到了一个快速,易于应用的评分功能,即使是高维数据也能很好地工作。我们证明了我们的方法的良好性能,通过大规模的比较,对学习不可分解的高斯图形模型的领先方法。我们的方法提供了一个理论上的理由表明,它会产生一个相合估计量的图结构。
2016-02-25 cs.LG stat.ML
Efficient sampling of Gaussian graphical models using conditional Bayes factors
高斯图形模型的贝叶斯估计已被证明是具有挑战性的,因为高斯精度矩阵上的共轭先验分布,G-Wishart分布,具有双重难以处理的分区函数。最近的发展提供了一种直接从G-Wishart分布中采样的方法,这使得模型选择算法比以前更有效。尽管如此,估计高斯图形模型与少数几个变量仍然是一个几乎不可行的任务。在这里,我们提出了两种新的算法,使用直接采样器更有效地近似高斯图形模型的后验分布。第一种算法使用条件贝叶斯因子在Metropolis-Hastings框架中比较模型。第二种算法是基于连续时间马尔可夫过程。我们表明,这两种算法都大大快于国家的最先进的替代品。最后,我们展示了如何使用算法可以同时估计结构和功能连接之间的皮层下的大脑区域,使用静息态功能磁共振成像。
2014-09-09 q-bio.NC stat.ME
Concentration of a sparse Bayesian model with Horseshoe prior in estimating high-dimensional precision matrix
本文针对高维稀疏精度矩阵估计,提出基于Horseshoe先验的回火后验集中性理论,并给出模型误设下的oracle不等式,通过模拟验证了方法的有效性。
2024-09-13 math.ST stat.ML stat.TH
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 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
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