从p大于n的微阵列数据中搜索高斯图形模型的稳健方法
罗伯特·卡斯特罗（Robert Castelo）、阿尔贝托·罗维拉托（Alberto Roverato）; 7(94):2621−2650, 2006.
摘要
从微阵列学习大规模交互网络数据是生物信息学中一个重要且具有挑战性的问题。A类广泛使用的方法是假设可用数据构成属于高斯图形模型。因此推论是全阶偏相关哪些是给定其余变量，两个变量之间的偏相关。在微阵列数据的上下文中，变量的数量超过了样本大小，这就排除了传统方法的应用结构化学习过程，因为全阶偏相关不存在。在本文中，我们考虑有限阶偏相关，这些是基于边际分布计算的偏相关可管理的规模，并提供一组允许评估的规则这些量对导出独立性的有用性基本高斯图形模型的结构。此外，我们介绍了一种基于a数量，从有限阶偏相关中获得，我们打电话给不拒收率.的适用性和有用性通过仿真和实际数据验证了该过程。
[腹肌]
[pdf格式][围兜]
