安德斯·埃伦·比尔格劳;Carel F.W.Peeters。;埃里克森,保尔·斯万特;马丁·博格斯特德;van Wieringen,Wessel N。 多个高维数据类的逆协方差矩阵的目标融合岭估计。 (英语) Zbl 1499.62177号 J.马赫。学习。研究。 21,第26号论文,52页(2020年). 摘要:我们考虑从不同类别的高维数据中联合估计多个逆协方差矩阵的问题。采用了一种惩罚最大似然法。所建议的方法是灵活的和通用的,将其他几个受(ell_2)惩罚的估计量作为特殊情况合并在一起。此外,该方法允许指定目标矩阵,通过该矩阵可以合并先验知识,并且可以在高维设置中稳定估计过程。当组成类的精度矩阵被认为主要共享相同的结构,而在许多感兴趣的位置上可能存在差异时,结果是一个有针对性的融合岭估计量。它在(多)析因研究设计中有许多应用。我们将重点放在用所提出的估计器对精度矩阵进行图形化解释上,然后作为综合或元分析高斯图形建模的基础。考虑了由数据集和疾病亚型定义类别的情况。通过大量仿真实验评估了所提出估计器在图形建模环境中的性能。其实用性通过对12个弥漫性大B细胞淋巴瘤亚型的大规模基因表达数据集的差分网络建模来说明。估计器及其相关程序被纳入R包rags2ridges中。 引用于8文件 MSC公司: 62甲12 多元分析中的估计 62H22个 概率图形模型 62J07型 岭回归;收缩估计器(拉索) 62页第10页 统计学在生物学和医学中的应用;元分析 关键词:微分网络估计;高斯图形建模;广义融合脊;高维数据;\(\ell_2)-惩罚最大似然;结构元分析 软件:拉格斯山脊 PDF格式BibTeX公司 XML格式引用 \textit{A.E.Bilgrau}等人,J.Mach。学习。第21号决议,第26号论文,52页(2020年;Zbl 1499.62177) 全文: arXiv公司 链接 参考文献: [1] H.Liu、K.Roeder和L.Wasserman。高维图形模型正则化选择的稳定性方法(StARS)。J.D.Lafferty、C.K.I.Williams、J.Shawe-Tylor、R.S.Zemel和A.Culotta,编辑,《神经信息处理系统进展》23,第1432-1440页。Curran Associates,Inc.,2010年。 [2] W.N.van Wieringen和C.F.W.Peeters。高维数据中逆协方差矩阵的岭估计。计算统计与数据分析,103:284-3032016·Zbl 1466.62204号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。