在大规模数据中使用自适应后验FDR控制的鲁棒贝叶斯建模
Robust Bayesian Modeling with Adaptive Posterior FDR Control for Large-Scale Data
AI总结：
本文提出了一种基于厚尾建模的鲁棒贝叶斯方法，用于大规模数据中的FDR控制，并通过后验预测p值检测异常值，同时提出自适应方法确定后验FDR水平，通过结直肠癌基因表达数据验证方法有效性。
摘要：
在大规模数据分析中控制虚假发现率（FDR）是一个关键挑战，特别是在存在异常值的情况下。一种常见做法是施加学生t分布以消除异常值的影响。本文开发了一种基于厚尾建模的鲁棒贝叶斯分析，应用于贝叶斯推断中的大规模研究，并利用后验预测p值（ppp）进行异常值检测。此外，我们提出了一种自适应方法来决定后验FDR的水平。我们通过结直肠癌基因表达数据展示了我们方法的实用性。我们建议使用Storey的q值方法估计真实空基因的比例来确定该水平。
英文摘要：
Controlling the false discovery rate (FDR) is a critical challenge in large-scale data analysis, particularly in the presence of outliers. A common practice involves imposing a Student-$t$ distribution to eliminate the influence of outliers. Here, we developed a robust Bayesian analysis based on heavy-tailed modeling, applied it to large-scale studies in Bayesian inference, and performed diagnoses for detecting outliers using the posterior predictive $p$-value ($ppp$). In addition, we propose an adaptive method to decide the level of the posterior false discovery rate. We demonstrated the utility of our methods using gene expression data for colorectal cancer. We suggest an adaptive method to determine it using an estimated ratio of true null genes using Storey's $q$-value method.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
