使用图自回归模型从平稳信号推断潜在图

惩罚期望最大化算法和Copula怀疑图模型在混合变量网络推理中的应用

Penalized EM algorithm and copula skeptic graphical models for inferring networks for mixed variables

本文研究了高斯copula图模型中稀疏精度矩阵的估计方法，对连续变量、二元变量、计数变量和离散序变量的网络进行重构。我们提出两种方法：$\ell_1$用Monte Carlo期望最大化算法（copula EM glasso）惩罚扩展秩似然，用copula Gaussian图模型的成对copula估计惩罚copula怀疑。所提出的方法有助于推断网络所产生的非正态和混合变量。我们通过对乳腺癌基因组和临床数据以及玉米遗传学数据的模拟研究和分析来证明我们的方法的性能。

Exponential Family Graphical Models: Correlated Replicates and Unmeasured Confounders, with Applications to fMRI Data

Graphical models have been used extensively for modeling brain connectivity networks. However, unmeasured confounders and correlations among measurements are often overlooked during model fitting, which may lead to spurious scientific discoveries. Motivated by functional magnetic resonance imaging (fMRI) studies, we propose a novel method for constructing brain connectivity networks with correlated replicates and latent effects. In a typical fMRI study, each participant is scanned and fMRI measurements are collected across a period of time. In many cases, subjects may have different states of …

推断多个图形结构

Inferring Multiple Graphical Structures

高斯图形模型为表示变量之间的依赖关系提供了一个方便的框架。最近，这个工具已经收到了很高的兴趣，发现生物网络。文献侧重于从一组测量结果推断单个网络的情况，但是，由于湿实验室数据通常很少，因此通常将实验条件影响相互作用的几种测定合并以推断单个网络。在本文中，我们提出了两种方法来估计多个相关图，通过渲染的贴近度假设到一个经验先验或组惩罚。我们提供了定量的结果证明所提出的方法的好处。本文中提出的方法嵌入在1.0-0版及更高版本的R包'simone'中。

Causal Vector Autoregression Enhanced with Covariance and Order Selection

A causal vector autoregressive (CVAR) model is introduced for weakly stationary multivariate processes, combining a recursive directed graphical model for the contemporaneous components and a vector autoregressive model longitudinally. Block Cholesky decomposition with varying block sizes is used to solve the model equations and estimate the path coefficients along a directed acyclic graph (DAG). If the DAG is decomposable, i.e. the zeros form a reducible zero pattern (RZP) in its adjacency matrix, then covariance selection is applied that assigns zeros to the corresponding path coefficients. …

时间序列的压缩非参数图模型选择

Compressive Nonparametric Graphical Model Selection For Time Series

本文提出了一种从有限长观测值推断高维离散高斯向量随机过程的条件独立图的方法。我们的方法不依赖于参数模型（例如，自回归模型）;相反，它仅假设某些谱平滑特性。所提出的推理方案是压缩的，因为它适用于比标量过程组件的数量（远）小的样本量。我们提供的分析条件，我们的方法，以正确识别的CIG与高概率。

选择自回归伊辛模型中的最优变量顺序

Selecting Optimal Variable Order in Autoregressive Ising Models

本文提出通过学习图结构来优化自回归伊辛模型中的变量顺序，以提高生成样本的保真度。

AR图模型中的经验贝叶斯学习

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。

高斯时间序列图模型选择的信息论极限

On the Information-theoretic Limits of Graphical Model Selection for Gaussian Time Series

考虑了基于有限长观测值的多元平稳离散时间高斯随机过程的条件独立图的推断问题。使用信息论的方法，我们推导出一个下界的错误概率的任何学习计划的底层进程CIG。这个界限，反过来，产生一个最小的所需的样本大小，这是必要的任何算法，无论其计算复杂性，可靠地选择真正的基础CIG。此外，通过分析一个简单的选择方案，我们表明，信息理论的限制可以实现的一个子类的过程具有稀疏CIG。我们不假设所观察到的过程的参数模型，但要求它有一个足够光滑的谱密度矩阵（SDM）。

自回归带松弛时间序列模型用于预测部分观测的动态时间序列

Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series

提出自回归带松弛时间序列模型，同时估计演化函数并填补缺失变量，以预测部分观测动态时间序列，并理论证明二维线性系统可由单维观测重构。

具有潜在结构的稀疏高斯图模型的推理

Inferring sparse Gaussian graphical models with latent structure

我们关心的是选择浓度矩阵的非零系数的稀疏高斯图形模型在高维设置。这对应于估计变量之间的条件依赖关系图。我们描述了一个新的框架，考虑到潜在的结构上的浓度矩阵。该潜在结构用于驱动惩罚矩阵，从而恢复具有约束拓扑的图形模型。我们的方法使用$\ell_1$惩罚似然准则。在迭代\textsc{em}类算法中同时执行变量和隐变量之间的条件依赖关系图的推断。我们的方法的性能说明合成以及真实的数据，后者涉及乳腺癌。

Inverse covariance operators of multivariate nonstationary time series

For multivariate stationary time series many important properties, such as partial correlation, graphical models and autoregressive representations are encoded in the inverse of its spectral density matrix. This is not true for nonstationary time series, where the pertinent information lies in the inverse infinite dimensional covariance matrix operator associated with the multivariate time series. This necessitates the study of the covariance of a multivariate nonstationary time series and its relationship to its inverse. We show that if the rows/columns of the infinite dimensional covariance …

利用Granger因果关系和收敛交叉映射推断物种间相互作用

Inferring species interactions using Granger causality and convergent cross mapping

从种群密度的时间序列中识别物种之间的定向相互作用在生态学中有许多用途。这一关键统计任务相当于因果时间序列推断，它与格兰杰因果关系（GC）概念相关联：如果$x$在动态模型中改善了对$y$的预测，则$x$导致$y$。然而，非线性生态系统的纠缠性质导致质疑格兰杰因果关系的适当性，特别是在其经典的线性多元自回归（MAR）模型形式。收敛交叉映射（CCM），一个非参数的方法确定性动力系统，已被建议作为一种替代。在这里，我们表明，线性GC和CCM能够发现具有惊人相似性能的相互作用，对于捕食者-猎物循环，2种确定性（混沌）或随机竞争，以及10种和20种相互作用网络。动力学的非线性程度与哪种方法表现最好之间没有对应关系。因此，我们的研究结果意味着，格兰杰因果关系，即使在其线性MAR（$p$）制定，是一个有效的方法来推断非线性生态网络的相互作用，使用GC或CCM（或两者），而不是决定的目的和具体的分析。

Sparse-Group Log-Sum Penalized Graphical Model Learning For Time Series

We consider the problem of inferring the conditional independence graph (CIG) of a high-dimensional stationary multivariate Gaussian time series. A sparse-group lasso based frequency-domain formulation of the problem has been considered in the literature where the objective is to estimate the sparse inverse power spectral density (PSD) of the data. The CIG is then inferred from the estimated inverse PSD. In this paper we investigate use of a sparse-group log-sum penalty (LSP) instead of sparse-group lasso penalty. An alternating direction method of multipliers (ADMM) approach for iterative opt…

BAGEL：一个纵向推断药物对HIV抑郁症疗效的贝叶斯图模型

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。

低秩双线性自回归模型用于三向犯罪活动张量

Low-rank bilinear autoregressive models for three-way criminal activity tensors

本文提出低秩双线性自回归模型，用于解释犯罪活动张量中的依赖结构，实现可解释的预测性能。

面向相依时间序列的稀疏高维图模型学习研究

On Sparse High-Dimensional Graphical Model Learning For Dependent Time Series

本文针对高维平稳高斯时间序列，提出基于频域稀疏组 lasso 和 ADMM 的条件独立图学习方法，并给出联合所有频率的收敛条件与速率。

基于 Graphical LASSO 的时间序列模型选择

Graphical LASSO Based Model Selection for Time Series

提出面向高维平稳时间序列的非参数 gLASSO 图模型选择方法，用 ADMM 求解 l1 正则化近似似然，并给出高斯过程下错误识别 CIG 的概率界与实验验证。

Bernoulli自回归过程的混合时与结构推断

Mixing Times and Structural Inference for Bernoulli Autoregressive Processes

我们引入了一种新的多变量随机过程，每维产生伯努利输出，可能形式化的二元相互作用在各种图形结构，并可用于模型的意见动态，流行病，金融和生物时间序列数据等，我们称之为伯努利自回归过程（BAR）。BAR过程模拟了具有自回归动力学的$p$标量Bernoulli过程的离散时间向量随机序列，并且对应于特定的马尔可夫链。自回归动力学的好处是，对于某些$d\ll p$，至多通过$pd$有效参数或通过分别参数化转换的两个维度为$p\times p^2$和$p\times p$的稀疏矩阵来描述$2^p\times 2^p$转换矩阵。此外，我们表明，BAR过程混合迅速，证明混合时间是$O(\log p)$。前一个混合时间界中的隐藏常数显式地取决于链参数的值，隐式地取决于相应图中节点的最大允许入度。对于具有$p$节点的网络，其中每个节点的入度最多为$d$，并且对应于由BAR生成的标量Bernoulli过程，我们提供了一个贪婪算法，该算法可以有效地学习底层有向图的结构，其样本复杂度与BAR过程的混合时间成比例。所提出的算法的样本复杂度是近阶最优的，因为它只是一个$\log p$因素远离信息理论的下限。我们目前的模拟结果说明我们的算法在各种设置，包括生物信号网络的模型的性能。

图离散李雅普诺夫模型中的可识别性

Identifiability in Graphical Discrete Lyapunov Models

本文研究了离散李雅普诺夫模型中参数矩阵的可识别性，通过非高斯误差项利用高阶累积量，证明了特定图结构下的通用和局部可识别性，并探讨了模型等价性与结构学习。

Bayesian Tensor Factorized Vector Autoregressive Models for Inferring Granger Causality Patterns from High-Dimensional Multi-subject Panel Neuroimaging Data

Understanding the dynamics of functional brain connectivity patterns using noninvasive neuroimaging techniques is an important focus in human neuroscience. Vector autoregressive (VAR) processes and Granger causality analysis (GCA) have been extensively used for this purpose. While high-resolution multi-subject neuroimaging data are routinely collected now-a-days, the statistics literature on VAR models has remained heavily focused on small-to-moderate dimensional problems and single-subject data. Motivated by these issues, we develop a novel Bayesian random effects panel VAR model for multi-su…

使用双重高维线性混合模型进行异质图模型的推断

Inference for Heterogeneous Graphical Models using Doubly High-Dimensional Linear-Mixed Models

针对多水平功能磁共振成像数据中的功能连接网络，提出基于双重高维线性混合模型的去偏LASSO推断框架，利用随机矩阵理论处理组级异质性，并扩展至向量自回归模型，通过真实数据和模拟验证性能。

单元污染下的鲁棒稀疏高斯图建模

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。

高维神经记录中多个矩阵变量图的同时推断

Simultaneous Inference in Multiple Matrix-Variate Graphs for High-Dimensional Neural Recordings

本文提出了一种统一框架，结合组惩罚回归和高维高斯近似自助法，用于高维神经记录中多个矩阵变量图的同时推断，实现对任意大小边子集的全局检验。

L1-Penalized删失高斯图模型

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。

一般高斯图模型的贝叶斯推断及其在多元格点数据中的应用

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。

从介入时程实验推断网络结构

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。

计数的非参数图模型

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。

平稳设定下VAR(1)模型的可辨识性

Identifiability of VAR(1) model in a stationary setting

研究从平稳分布中辨识VAR(1)模型的有向加权图结构，利用代数统计中的雅可比拟阵方法，给出不同图产生不同稳态分布的充分图条件。

基于潜在树聚合的不完全图模型推理

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。

推断随多个协变量变化的高维动态网络

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。

Bayesian Temporal Factorization for Multidimensional Time Series Prediction

Large-scale and multidimensional spatiotemporal data sets are becoming ubiquitous in many real-world applications such as monitoring urban traffic and air quality. Making predictions on these time series has become a critical challenge due to not only the large-scale and high-dimensional nature but also the considerable amount of missing data. In this paper, we propose a Bayesian temporal factorization (BTF) framework for modeling multidimensional time series -- in particular spatiotemporal data -- in the presence of missing values. By integrating low-rank matrix/tensor factorization and vecto…

图的拓扑和动力过程的半盲推断

Semi-Blind Inference of Topologies and Dynamical Processes over Graphs

网络科学为社会学、生物学、神经科学和工程学等众多学科提供了有价值的见解。在这些应用领域中，一个具有重要实际意义的任务是从节点子集的噪声观测中推断网络结构。可用的拓扑推断方法通常假设网络上的过程在所有节点上都被观察到。然而，特定于应用的约束可能会阻止获取网络范围的观察。缓解现有方法的灵活性有限，这项工作提倡图形过程的结构模型，并开发新的算法，从部分节点的观察网络拓扑结构和过程的联合推理。结构方程模型（SEM）和结构向量自回归模型（SVARMs）在识别复杂图的有向拓扑结构方面具有很好的优点;虽然SEM捕获了节点之间的同期因果依赖关系，但SVARMs进一步考虑了时滞影响。本文开发的算法，推断有向图，“最好”适合的数据，估计网络过程中降低计算复杂性，利用卡尔曼平滑相关的工具之间的转换。为了进一步适应延迟敏感的应用，提出了一种在线联合推理方法，甚至跟踪时间演化的拓扑结构。此外，条件识别网络拓扑结构的部分观测指定。证明了当网络结构稀疏时，唯一识别所需的观测数显著减少。合成以及真实数据集的数值测试证实了新方法的有效性。

在非正态和混合离散-连续基因组数据中推断网络结构

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。

最大熵谱分析：在引力波数据分析中的应用

Maximum Entropy Spectral Analysis: an application to gravitational waves data analysis

本文提出用最大熵谱分析（MESA）方法改进引力波数据功率谱密度估计，开发了memspectrum软件包，并在GW150914数据上验证其相比Welch算法具有更低方差和偏差，尤其适用于小样本情形。

A Double Regression Method for Graphical Modeling of High-dimensional Nonlinear and Non-Gaussian Data

Graphical models have long been studied in statistics as a tool for inferring conditional independence relationships among a large set of random variables. The most existing works in graphical modeling focus on the cases that the data are Gaussian or mixed and the variables are linearly dependent. In this paper, we propose a double regression method for learning graphical models under the high-dimensional nonlinear and non-Gaussian setting, and prove that the proposed method is consistent under mild conditions. The proposed method works by performing a series of nonparametric conditional indep…

论降维对图形结构的影响

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。

Gaussian graphical models with graph constraints for magnetic moment interaction in high entropy alloys

This article is motivated by studying the interaction of magnetic moments in high entropy alloys (HEAs), which plays an important role in guiding HEA designs in materials science. While first principles simulations can capture magnetic moments of individual atoms, explicit models are required to analyze their interactions. This is essentially an inverse covariance matrix estimation problem. Unlike most of the literature on graphical models, the inverse covariance matrix possesses inherent structural constraints encompassing node types, topological distance of nodes, and partially specified con…

线性设定下基于约束的差异图发现

Constraint-based difference graph discovery in a linear setting

针对两个环境间的因果差异图推断问题，提出基于回归系数相等性检验的线性结构因果模型发现方法，引入diff-separation准则和LDiffPC算法。

平稳时间序列条件独立结构的多任务学习方法

Learning the Conditional Independence Structure of Stationary Time Series: A Multitask Learning Approach

提出了一种从有限长观测值推断高维高斯向量时间序列（离散时间过程）的条件独立图（CIG）的方法。与现有方法相比，我们不依赖于参数过程模型（例如，自回归模型）。相反，我们只需要过程的某些平滑特性（在傅立叶域中）。如果真正的底层CIG足够稀疏，则所提出的推断方案甚至适用于比标量过程组件的数量小得多的样本量。理论性能分析提供了保证所提出的推理方法传递错误CIG的概率低于规定值的条件。这些条件意味着下限的样本量，使新的方法是渐近一致的。一些数值实验验证了我们的理论性能分析，并表明我们的计划相比，现有的（参数）的方法在模型失配的情况下，性能优越。

动态潜变量图自回归模型的稀疏加低秩辨识

Sparse plus low-rank identification for dynamical latent-variable graphical AR models

针对带动态潜变量的图自回归模型辨识问题，结合观测变量稀疏交互与潜变量模型低秩特性，构建稀疏加低秩优化问题并通过迹近似等方法求解，再恢复潜变量动态，仿真验证了方法有效性。

基于稳定向量自回归过程的稀疏性贝叶斯推断

Bayesian inference of sparsity in stable vector autoregressive processes

本文提出一种贝叶斯方法，通过参数扩展同时实现稳定性和稀疏性，应用于宏观经济和神经科学领域。

通过对图结构建模增强高斯图模型推断的功效

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。

Fused graphical lasso for brain networks with symmetries

Neuroimaging is the growing area of neuroscience devoted to produce data with the goal of capturing processes and dynamics of the human brain. We consider the problem of inferring the brain connectivity network from time dependent functional magnetic resonance imaging (fMRI) scans. To this aim we propose the symmetric graphical lasso, a penalized likelihood method with a fused type penalty function that takes into explicit account the natural symmetrical structure of the brain. Symmetric graphical lasso allows one to learn simultaneously both the network structure and a set of symmetries acros…

基于对称凸聚类的离散高斯图模型

Clustered Gaussian Graphical Model via Symmetric Convex Clustering

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。

A Graphical Model for Fusing Diverse Microbiome Data

This paper develops a Bayesian graphical model for fusing disparate types of count data. The motivating application is the study of bacterial communities from diverse high dimensional features, in this case transcripts, collected from different treatments. In such datasets, there are no explicit correspondences between the communities and each correspond to different factors, making data fusion challenging. We introduce a flexible multinomial-Gaussian generative model for jointly modeling such count data. This latent variable model jointly characterizes the observed data through a common multi…

大逆协方差估计的分层图模型及其在fMRI中的应用

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。

使用 Bernoulli 自回归部分线性加性模型识别神经连接

Identifying Neural Connectivity using Bernoulli Autoregressive Partially Linear Additive Models

针对非平稳高维脉冲序列，提出 BAPLA 模型与正则化最大似然及不确定性推断方法，以识别稀疏、可解释的兴奋/抑制神经连接。

基于图神经网络的概率图模型用于离散结构组件状态的贝叶斯反演

Probabilistic Graphical Model using Graph Neural Networks for Bayesian Inversion of Discrete Structural Component States

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。

主题间分析：用密集的内部图推断稀疏的交互

Inter-Subject Analysis: Inferring Sparse Interactions with Dense Intra-Graphs

我们开发了一个新的建模框架，跨学科分析（ISA）。ISA的目标是探索不同主体之间的依存结构，主体内依存是讨厌的。研究自然刺激下脑区之间的功能连接在神经科学中有重要的应用。我们的框架是基于高斯图模型，ISA可以转换为问题的估计和推理的主题间精度矩阵。主要的统计挑战是，我们不对整个精度矩阵施加稀疏性约束，我们只假设受试者间部分是稀疏的。对于估计，我们建议估计一个替代参数，以绕过非稀疏问题，它可以实现渐近一致性，即使内部主题依赖是密集的。对于推理，我们提出了一个“解开和和弦”的过程来消除我们的估计。在不对对数似然函数的逆Hessian函数作稀疏性假设的情况下，该方法也是有效的。这种推论方法具有普遍性，并可应用于其它许多统计问题，因而具有独立的理论价值。仿真和脑成像数据的数值实验验证了我们的方法和理论。

利用离散图解模型从头构建多倍体连锁图谱

De novo construction of polyploid linkage maps using discrete graphical models

连锁图谱用于确定负责性状和疾病的基因的位置。新的测序技术为大幅增加遗传标记的密度创造了机会。这种革命性的技术进步带来了新的挑战，如创建高密度连锁图谱。目前基于成对重组分数的多重检验方法在高维环境中的能力不足，并且不容易扩展到多倍体物种。我们建议通过稀疏高斯Copula或非超自然怀疑论方法使用图形模型构建连锁图。连锁群（LG），通常是染色体，和每个LG中的标记的顺序是通过推断基因组中大量标记之间的条件独立关系来确定的。通过模拟，我们说明了我们的地图构建方法的实用性，并将其性能与其他可用的方法进行比较，无论是当数据是干净的，不包含缺失的观察，当数据包含基因分型错误，是不完整的。我们将所提出的方法应用于两个基因型数据集：大麦和马铃薯二倍体和多倍体人口，分别。我们的综合图谱构建方法充分利用剂量SNP数据来构建任何双亲二倍体和多倍体物种的连锁图谱。我们已经在R包netgwas中实现了该方法。

图子结构的贝叶斯学习

Bayesian Learning of Graph Substructures

该研究将贝叶斯非参数随机块模型嵌入图模型框架，扩展模型适配团块与多图场景，设计贝叶斯因子计算策略检验图的大规模结构，经模拟与真实数据验证有效。

从路径分析中定义一个强大的生物先验来驱动网络推理

Defining a robust biological prior from Pathway Analysis to drive Network Inference

从基因表达数据推断遗传网络是后基因组时代最具挑战性的工作之一，部分原因是可能的网络空间巨大，而可用的数据量相对较少。在这一领域，高斯图模型（GGM）为发现生物网络提供了一个方便的框架。在本文中，我们提出了一个原始的方法来推断基因调控网络使用一个强大的生物先验的结构，以限制候选网络的集合。代表调控网络上生物学知识的通路将被用作驱动网络推理的信息先验知识。这种方法是基于选择一组相关的基因，称为“分子签名”，与感兴趣的条件（例如，参与疾病发展的基因）。在这种情况下，差异表达分析是一种成熟的策略。然而，结果签名往往不一致，研究之间几乎没有重叠。因此，我们将致力于我们的工作的第一部分，以改善生物标志物鉴定的标准过程，以保证分子签名的鲁棒性和再现性。我们的方法能够比较两种感兴趣的条件（例如病例和对照网络）之间推断的网络，并有助于对结果进行生物学解释。因此，它允许确定在这些条件下发生的差异性法规。我们说明了所提出的方法，通过应用我们的方法来研究乳腺癌的治疗反应。