Prediction Approach for Ising Model Estimation
Prediction Approach for Ising Model Estimation
复制标题
Ising 模型估计的预测方法
DOI：
10.1109/icdmw.2019.00106
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Zhang, Qi
中科院分区：
文献类型：
--
作者：
Li, Jinyu;Pan, Yu;Yu, Hongfeng;Zhang, Qi
本文研究了二元观测数据的Ising模型的图估计。在文献中流行的方法在很大程度上是惩罚稀疏选择程序，取决于调谐参数选择。这样的程序的输出通常是一个单一的稀疏图没有任何排名信息的个别边缘。然而，在科学实践中，更期望能够基于其统计显著性对所有潜在边缘进行排序，并通过阈值化来选择稀疏图。在本文中，我们提出了一种新的预测方法伊辛模型估计（PRAIME）。该框架将伊辛模型估计重新表述为对观测数据的预测，并仅使用预测值为每个节点对提供伊辛模型参数的估计和统计显著性度量。因此，它使所有潜在的边缘和灵活的稀疏图选择阈值的排名，并允许研究人员使用他们选择的预测算法。我们使用随机森林实现了PRAIME，说明了PRAIME的优势，惩罚稀疏选择方法的准确性和灵活性，使用合成数据，并将其应用到一个会议共同赞助数据集。
We consider the graph estimation for Ising model from observed binary data. Popular approaches in the literature are largely penalized sparse selection procedures that depend on tuning parameters to be selected. The output of such procedures is usually one single sparse graph without any ranking information of the individual edges. In scientific practice, however, it is more desirable to be able to rank all potential edges based on their statistical significance, and select the sparse graph by thresholding. In this paper, we propose a novel PRediction Approach for Ising Model Estimation (PRAIME). The proposed framework reformulates Ising model estimation as the prediction of the observed data, and provides an estimate and a statistical significance measure of the Ising model parameter for each node pair using only the predicted values. Thus it enables the ranking all potential edges and the flexible sparse graph selection by thresholding, and allows the researchers to use the predictive algorithm of their choice. We implemented PRAIME using random forest, illustrated the advantage of PRAIME over the penalized sparse selection approaches in accuracy and flexibility using synthetic data, and applied it to a congress co-sponsorship dataset.
登录
查看更多内容
稀疏二元成对马尔可夫网络估计的高效伪似然方法
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
Sinong Geng;Zhaobin Kuang;David Page
通讯作者：
David Page
具有受控梯度近似误差的稀疏离散马尔可夫随机场的随机学习。
DOI：
--
发表时间：
2018
期刊：
Uncertainty in artificial intelligence : proceedings of the ... conference. Conference on Uncertainty in Artificial Intelligence
影响因子：
--
作者：
Geng,Sinong;Kuang,Zhaobin;Liu,Jie;Wright,Stephen;Page,David
通讯作者：
Page,David
DOI：
--
发表时间：
2013-01
期刊：
arXiv: Statistics Theory
影响因子：
--
作者：
Eunho Yang;Pradeep Ravikumar;Genevera I. Allen;Zhandong Liu
通讯作者：
Eunho Yang;Pradeep Ravikumar;Genevera I. Allen;Zhandong Liu
影响因子：
3.1
作者：
Fowler, James H.
通讯作者：
Fowler, James H.
影响因子：
1.8
作者：
Fellinghauer, Bernd;Buehlmann, Peter;Reinhardt, Jan D.
通讯作者：
Reinhardt, Jan D.