潜在树模型的光谱上下回收
Yariv Aizenbud1, Ariel Jaffe1, Meng Wang2
1Program in Applied Mathematics, Yale University, New Haven, CT 06511, USA.
概括
这项研究介绍了光谱上下恢复 (STDR),这是推断大型隐性树模型的更快方法. 在各种科学领域,STDR提高了复杂树结构的计算效率.
科学领域:
- 计算生物学 计算生物学
- 机器学习 机器学习
- 统计建模 统计建模
背景情况:
- 隐藏树图形模型用于分析跨科学领域的高维数据.
- 从观察到的终端节点推断树结构是具有挑战性的,因为大树的计算强度.
研究的目的:
- 开发一种高效且统计上一致的方法来推断大型潜树模型.
- 改进现有的树木恢复的分裂与征服方法.
主要方法:
- 引入了光谱上下恢复 (STDR),一个决定性的分割与征服算法.
- 利用拉普拉斯矩阵的费德勒向量来进行终端节点的非随机分区.
- 开发了一个基于分区的简化子树合并程序.
主要成果:
- 证明STDR的分区在特定条件下与底层树结构一致.
- 证明了STDR的统计一致性,并提供了样本复杂性的边界.
- 展示了显著的运行时间优势,在模拟的家族遗传数据上具有可比或改进的准确性.
结论:
- STDR提供了一个计算效率高,准确的解决方案,用于推断大型潜在树模型.
- 该方法的理论保证和实际性能使其在大规模树木回收方面具有价值.
- STDR在诸如遗传学等领域推进了复杂数据结构的分析.


