大规模高斯图形模型中的转移学习与虚假发现率控制

科学领域:

• 统计 统计 统计 统计
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 高维高斯图形模型 (GGM) 对于理解复杂系统至关重要.
• 估计GGM通常需要大量的数据集,这些数据集可能并不总是可用于特定的目标研究.
• 从相关的辅助研究中获取数据可以提高目标GGM的估计.

研究的目的:

• 开发一个转移学习框架,用于估计高维的GGM.
• 提出一个高效的算法,Trans-CLIME,它结合了辅助数据的信息.
• 为改进图形估计引入一个调量方法,并为边缘检测引入一个多重测试程序.

主要方法:

• 使用差异矩阵的稀疏度来描述图形相似性.
• 开发Trans-CLIME算法,以更快的收率进行GGM估计.
• 引入一种通用,单步,分析可计算的微量化方法.
• 构建一个无误的Trans-CLIME估计器和一个错误发现率控制的多重测试程序.

主要成果:

• 在单任务设置中,Trans-CLIME实现了比单任务设置中的最小速率更快的融合速率.
• 脱基估计器在元素上是异常正常的,使得可以进行统计推断.
• 与现有方法相比,模拟显示在估计和边缘检测方面具有更高的性能.
• 对基因表达数据的应用显示,预测错误减少,基因网络推断能力增加.

结论:

• 转移学习显著提高了高维GGM的估计.
• 拟议的Trans-CLIME算法和调解方法提供了高效和准确的图形推理.
• 开发的多重测试程序有效地检测有控制错误率的网络边缘.
• 利用辅助数据是生物网络推断的一个有希望的策略,正如大脑组织基因表达分析所证明的那样.