图形模型推理与Erosely测量的数据
Lili Zheng1, Genevera I Allen1,2,3,4,5
1Department of Electrical and Computer Engineering, Rice University.
我们介绍GI-JOE,这是一种用于与不规则测量数据的高斯图形模型推理的新方法. 这种方法可以考虑不同的样本大小,提高复杂数据集中的图形选择精度.
科学领域:
- 统计 统计 统计 统计
- 计算生物学 计算生物学
- 神经科学是一个神经科学.
背景情况:
- 高斯图形模型对于理解复杂系统至关重要.
- 现实世界的数据经常显示不规则的测量 (侵蚀数据),导致跨节点对的样本大小变化.
- 现有的方法无法解决图形推理中侵蚀测量所带来的挑战.
研究的目的:
- 开发第一个专门为高斯图形模型设计的推理方法,使用侵蚀测量.
- 提出一种方法,可以准确地描述由于数据不规则而导致的各个图边的不同不确定性水平.
- 为了提供一个统计学上有效的方法,在有侵蚀数据的情况下进行图表选择.
主要方法:
- 引入了GI-JOE (当联合观察被删除时的图形推理),一种边缘智能的推理方法.
- 开发了一个相关的虚假发现率 (FDR) 控制程序.
- 该方法对每个边缘的方差计算是根据其邻近节点的样本大小量身定制的.
主要成果:
- 在侵蚀测量条件下,GI-JOE方法和FDR控制的统计有效性被证明.
- 该方法成功地解释了各个图边的不同不确定性水平.
- 与现有方法相比,模拟和真实神经科学数据集在图表选择方面表现出优异的性能.
结论:
- GI-JOE提供了一个强大的解决方案,用于高斯图形模型推断与不规则测量数据.
- 该方法能够处理不同的样本大小,在基因组学和神经科学等领域提供了显著的优势.
- 这项工作填补了复杂的,现实世界的数据集的统计推理中的关键差距.
更多相关视频
08:12A Psychophysics Paradigm for the Collection and Analysis of Similarity Judgments
Published on: March 1, 2022
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
相关概念视频
Random Error
Random and Systematic Errors
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Detection of Gross Error: The Q Test
Mechanistic Models: Compartment Models in Individual and Population Analysis
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
