Graph Estimation with Joint Additive Models.
Graph Estimation with Joint Additive Models.
复制标题
DOI：
10.1093/biomet/ast053
复制
发表时间：
2014-03-01
期刊：
影响因子：
2.7
通讯作者：
Witten D
中科院分区：
文献类型：
--
作者：
Voorman A;Shojaie A;Witten D
近年来，在估计高维度中的条件独立图方面引起了极大的兴趣。以前的大多数工作都认为变量是多元高斯，或变量的条件方式是线性的。实际上，这两个假设几乎是等效的。不幸的是，如果违反了这些假设，则导致的有条件独立性估计可能不准确。我们提出了一种半参数方法，具有关节添加剂模型的图表估计，该方法允许特征的条件均值采用任意添加剂形式。我们为估算器的计算提供了一种有效的算法，并证明它是一致的。我们将方法扩展到具有已知因果排序的有向图的估计。使用模拟数据，我们表明，当特征之间存在非线性关系时，我们的方法的性能优于现有方法，并且与在条件均值是线性时假设多元正态性的方法相当。我们在细胞信号数据集上说明了我们的方法。
In recent years, there has been considerable interest in estimating conditional independence graphs in high dimensions. Most previous work has assumed that the variables are multivariate Gaussian, or that the conditional means of the variables are linear; in fact, these two assumptions are nearly equivalent. Unfortunately, if these assumptions are violated, the resulting conditional independence estimates can be inaccurate. We propose a semi-parametric method, graph estimation with joint additive models, which allows the conditional means of the features to take on an arbitrary additive form. We present an efficient algorithm for our estimator's computation, and prove that it is consistent. We extend our method to estimation of directed graphs with known causal ordering. Using simulated data, we show that our method performs better than existing methods when there are non-linear relationships among the features, and is comparable to methods that assume multivariate normality when the conditional means are linear. We illustrate our method on a cell-signaling data set.
登录
查看更多内容
影响因子：
1.8
作者：
Dobra, Adrian;Lenkoski, Alex
通讯作者：
Lenkoski, Alex
影响因子：
3
作者：
Meyer, Patrick E.;Lafitte, Frederic;Bontempi, Gianluca
通讯作者：
Bontempi, Gianluca
影响因子：
3.7
作者：
Gao, Xin;Song, Peter X. -K.
通讯作者：
Song, Peter X. -K.
影响因子：
4.5
作者：
Liu, Han;Han, Fang;Wasserman, Larry
通讯作者：
Wasserman, Larry
影响因子：
2.7
作者：
Chen, Jiahua;Chen, Zehua
通讯作者：
Chen, Zehua