阿琼·桑德;阿里·肖杰伊 简化的PC-算法：改进大型随机网络中的因果结构学习。 （英语） Zbl 1446.62256号 J.马赫。学习。物件。 20，第164号文件，第31页（2019）. 小结：我们考虑估计一个高维有向非循环图的任务，给出了从具有任意噪声分布的线性结构方程模型的观测值。通过利用常见随机图的特性，我们开发了一种新的算法，该算法只需要对小的变量集进行条件处理。该算法本质上是PC-a算法的改进版本，在计算复杂度和估计精度方面都有显著提高。特别是，它可以在包含中心节点的大型网络中实现更高效、更准确的估计，这在生物系统中很常见。我们证明了所提出算法的一致性，并表明它还需要比PC算法更不严格的忠实性假设。使用低维和高维环境中的模拟来说明这些发现。基因表达数据的应用表明，与当前方法相比，该算法可以识别更多的临床相关基因。 引用于4文件 MSC公司： 62M40型 随机字段；图像分析 62H22个 概率图形模型 60G60型 随机字段 05C90年 图论的应用 62-08 统计问题的计算方法 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：因果发现;有向非循环图;忠实;高维度;随机图 软件：bn学习;PenPC公司;生物网格 PDF格式BibTeX公司 XML格式引用 \textit{A.Sondhi}和\textit{A.Shojaie}，J.Mach。学习。第20号决议，第164号文件，第31页（2019年；兹bl 1446.62256） 全文： arXiv公司 链接 参考文献： [1] Silvia Acid和Luis M de Campos。用多叉树逼近因果网络：一项实证研究。智能计算进展，第149-158页。斯普林格，1994年。 [2] Animashree Anandkumar、Vincent YF Tan、Furong Huang和Alan S Willsky。高维高斯图形模型选择：行走可和性和局部分离准则。机器学习研究杂志，13（1）：2293-23372012·Zbl 1433.68322号 [3] 癌症基因组图谱研究网络。鳞状细胞肺癌的综合基因组特征。《自然》，489（7417）：519-5252012。 [4] Marc RJ Carlson、Bin Zhang、Zixing Fang、Paul S Mischel、Steve Horvath和Stanley F Nelson。基因连接、功能和序列保护：来自模块化酵母共表达网络的预测。BMC基因组学，7（1）：402006。 [5] 郝晨和伯特·M·夏普。通过挖掘公开摘要构建内容丰富的生物网络。BMC生物信息学，5（1）：1472004。 [6] David Maxwell Chickering。学习贝叶斯网络是NP完成的。从数据中学习，第121-130页。施普林格，1996年。 [7] 理查德·杜雷特（Richard Durrett）。《随机图形动力学》，第200卷。剑桥大学出版社，2007年·Zbl 1116.05001号 [8] 丹尼尔·伊顿和凯文·墨菲。使用动态编程和MCMC.arXiv预印本arXiv:1206.52472012的贝叶斯结构学习。 [9] Rina Foygel和Mathias Drton。高斯图形模型的扩展贝叶斯信息准则。神经信息处理系统（NeurIPS），第604-6122010页。 [10] 尼尔·弗里德曼（Nir Friedman）、米查尔·利尼尔（Michal Linial）和伊夫塔奇·纳奇曼（Iftach Nachman）。使用贝叶斯网络分析表达式数据。《计算生物学杂志》，7:601-622000。 [11] 闵金哈、孙伟、谢继春。PenPC：估计高维有向非循环图骨架的两步方法。生物计量学，72（1）：146-1552016·Zbl 1393.62065号 [12] S Horvath，B Zhang，M Carlson，KV Lu，S Zhu，RM Felciano，MF Laurance，W Zhao，S Qi，Z Chen等。胶质母细胞瘤中致癌信号网络的分析确定aspm为分子靶点。《美国国家科学院院刊》，103（46）：17402-174072006。 [13] 胡安·费特（Juan F.Huete）和路易斯·坎波斯（Luis M.Campos）。学习因果多元树。《推理和不确定性的符号和定量方法》，第180-185页。施普林格，1993年。doi:10.1007/BFb0028199。 [14] Trey Ideker和Nevan J Krogan。差异网络生物学。分子系统生物学，8（1）：5652012。 [15] 罗纳德·詹森（Ronald Jansen）、于海元（Haiyuan Yu）、多夫·格林鲍姆（Dov Greenbaum）、尤瓦尔·克鲁格（Yuval Kluger）、内文·J·克罗根（Nevan J.Krogan）、桑巴斯·钟（Sambath Chung）、安德鲁·埃米利（Andrew Emili）、迈克尔·斯奈德（Michael Snyder）、杰克·格林布拉特（Jack F.Greenblatt）和马克·格斯坦（Mark Gerstein）。从基因组数据预测蛋白质相互作用的贝叶斯网络方法。科学，302（5644）：449-4532003。ISSN 0036-8075。doi:10.1126/science.1087361。 [16] Hawoong Jeong、B´alint Tombor、R´eka Albert、Zoltan N Oltvai和A-L Barab´asi。代谢网络的大规模组织。《自然》，407（6804）：651-6542000。 [17] Hawoong Jeong、Sean P Mason、A-L Barab´asi和Zoltan N Oltvai。蛋白质网络的致死性和中心性。《自然》，411（6833）：41-422001。 [18] 马库斯·卡利施和彼得·伯尔曼。用PC-A算法估计高维有向非循环图。机器学习研究杂志，8:613-6362007年5月。ISSN 1532-4435·Zbl 1222.68229号 [19] 乔恩·克莱恩伯格，《小世界现象：算法视角》。InACM计算理论研讨会，第163-170页。ACM，2000年·Zbl 1296.05181号 [20] 刘拜德、小谷、黄天宝、杨銮和丁雪飞。前列腺癌侵袭性中tmprss2erg机制的确定：mmp-9和丛蛋白b1的参与。《肿瘤报告》，37（1）：201-2082017年。 [21] Po-Ling Loh和Peter B–uhlmann。基于协方差逆估计的线性因果网络的高维学习。机器学习研究杂志，15（1）：3065-31052014·Zbl 1318.68148号 [22] Dmitry M Malioutov、Jason K Johnson和Alan S Willsky。高斯图形模型中的行走和和信念传播。机器学习研究杂志，7（10月）：2031-20642006·Zbl 1222.68254号 [23] 迈克尔·莫洛伊和布鲁斯·里德。具有给定度序列的随机图的临界点。随机结构与算法，6（2-3）：161-1801995·Zbl 0823.05050号 [24] Preetam Nandy、Alain Hauser和Marloes H Maathuis。基于分数和混合结构学习中的高维一致性。arXiv预印本arXiv:1507.026082015·Zbl 1411.62144号 [25] Jonas Peters、Joris M Mooij、Dominik Janzing和Bernhard Sch¨olkopf。连续加性噪声模型的因果发现。机器学习研究杂志，15:2009-20532014·Zbl 1318.68151号 [26] 莱昂尼·拉茨（Leonie Ratz）、马克·莱布尔（Mark Laible）、卢卡斯·A·卡普兹克（Lukasz A Kacprzyk）、斯蒂芬妮·维蒂格·布莱奇（Stephanie M Wittig-Blaich）、亚尼斯·托尔斯塔夫（Yanis Tolstof）、斯特凡·杜宁（Stefan Duensing）、彼得·阿尔特沃格。Tmprss2:Erg基因融合变异体在人前列腺癌细胞中诱导tgf-β信号转导和上皮-间充质转化。Oncotarget，8（15）：251152017年。 [27] Pradeep Ravikumar、Martin J Wainwright、Garvesh Raskutti和Bin Yu。通过最小化l1惩罚的对数决定元散度进行高维协方差估计。《电子统计杂志》，5:935-9802011年·Zbl 1274.62190号 [28] Christiane M Robbins、Waibov A Tembe、Angela Baker、Shripad Sinari、Tracy Y Moses、Stephen Beckstrom Sternberg、James Beckstrom-Sternberg、Michael Barrett、James-Long、Arul Chinnaiyan等。拷贝数和靶向突变分析揭示了转移性前列腺肿瘤中的新的躯体事件。基因组研究，21（1）：47-552011。 [29] Roberta R Ruela-de Sousa、Elmer Hoekstra、A Marije Hoogland、Karla C Souza Queiroz、Maikel P Peppelenbosch、Andrew P Stubbs、Karin Pelizzaro-Rocha、Geert JLH van Leenders、Guido Jenster、Hiroshi Aoyama等。低分子酪氨酸磷酸酶通过增加转移潜能预测前列腺癌预后。欧洲泌尿学，69（4）：710-7192016。 [30] Eric E Schadt、John Lamb、Xia Yang、Jun Zhu、Steve Edwards、Debraj GuhaThakurta、Solveig K Sieberts、Stephanie Monks、Marc Reitman、Chunsheng Zhang等。推断基因表达与疾病之间因果关系的综合基因组学方法。《自然遗传学》，37（7）：710-7172005。 [31] Mark Schmidt、Alexandru Niculescu-Mizil和Kevin Murphy。使用l1-正则化路径学习图形模型结构。人工智能促进协会（AAAI），第7卷，第1278-1283页，2007年。 [32] Marco Scutari。使用bnlearn r包学习贝叶斯网络。统计软件杂志，35（1）：1-222010。ISSN 1548-7660。doi:10.18637/jss.v035.i03。 [33] A.Shojaie、A.Jauhiainen、M.Kallitsis和G.Michailidis。通过结合扰动筛选和稳态基因表达谱推断调控网络。《公共科学图书馆·综合》，9（2）：e823932014年。 [34] Ali Shojaie和George Michailidis。稀疏高维有向非循环图估计的惩罚似然方法。《生物特征》，97（3）：519-5382010·Zbl 1195.62090号 [35] P.Spirtes、C.Glymour和R.Scheines。因果、预测和搜索。麻省理工学院出版社，第二版，2000年·Zbl 0806.62001 [36] 克里斯·斯塔克（Chris Stark）、鲍比·乔·布雷特克鲁兹（Bobby-Joe Breitkreutz）、特蕾莎·雷格利（Teresa Reguly）、洛里·鲍彻（Lorrie Boucher）、阿什顿·布雷特克鲁兹和迈克·泰勒（Mike Tyers）。Biogrid：交互数据集的通用存储库。核酸研究，34（增刊1）：D535-D5392006。 [37] 塞斯·沙利凡特、凯利·塔拉斯卡和扬·德雷斯马。高斯图形模型的Trek分离。《统计年鉴》，第1665-1685页，2010年·Zbl 1189.62091号 [38] 孙亮、吕家驹、丁森泰、毕东斌、丁克佳、牛志宏和刘平。Hcrp1通过egfr信号调节前列腺癌的增殖、侵袭和耐药性。生物医学与药物治疗，91:202-2072017年。 [39] Ioannis Tsamardinos、Laura E Brown和Constantin F Aliferis。最大爬山贝叶斯网络结构学习算法。机器学习，65（1）：31-782006·Zbl 1470.68192号 [40] 卡罗琳·尤勒（Caroline Uhler）、加维什·拉斯库蒂（Garvesh Raskutti）、彼得·贝鲁曼（Peter B¨uhlmann）和余斌（Bin Yu）。因果推理中忠实假设的几何学。《统计年鉴》，41（2）：436-4632013·Zbl 1267.62068号 [41] Arend Voorman、Ali Shojaie和Daniela Witten。联合可加模型的图形估计。《生物统计学》，101（1）：852014年·兹比尔1285.62061 [42] Changwon Yoo、Vesteinn Thorsson和Gregory F Cooper。从实验和观察DNA微阵列数据的混合物中发现基因调节途径中的因果关系。太平洋生物计算研讨会，第7卷，第498-5092002页。 [43] 张济济和彼得·斯皮特斯。 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。