罗宾·里希特;Shankar巴米迪;萨克·穆克吉 改进了干预数据因果结构学习的基线。 （英语） Zbl 1517.62044号 统计计算。 33，第5号，第93号论文，33页（2023年）. 摘要：因果结构学习（CSL）是指从数据中估计因果图。ROC曲线等工具的因果版本在CSL方法的实证评估中发挥着重要作用，性能经常与“随机”基线（如ROC分析中的对角线）进行比较。然而，这些基线没有考虑到图形上下文产生的约束，因此可能表示“低标准”。本文以系统生物学中的例子为动机，重点评估多元数据的CSL方法，其中部分图形结构通过介入实验已知。在这种情况下，我们提出了一类新的基线，称为基于图形的预测器（GBPs）。与“随机”基线相反，GBP利用已知的图形结构，利用简单的图形属性来提供改进的基线，以便与CSL方法进行比较。我们对GBP进行了一般性讨论，并在传递闭图的背景下进行了详细研究，介绍了该设置的两个概念上简单的基线，即观察度预测（OIP）和传递性假设预测（TAP）。虽然前者计算简单，但对于后者，我们提出了几种模拟策略。此外，我们从理论上研究和比较了所提出的预测因子，包括一个结果，该结果表明，在边缘概率呈正相关的潜在网络模型的子类上，OIP在预期上优于“随机”基线。使用模拟和实际生物数据，我们表明，拟议的GBP在实践中通常会大大优于随机基线。一些英镑甚至优于标准的CSL方法（但实际上计算成本较低）。我们的结果为评估介入数据的CSL方法提供了一种新的方法。 MSC公司： 62-08 统计问题的计算方法 05C80号 随机图（图形理论方面） 62D20型 观察性研究的因果推断 68T05型 人工智能中的学习和自适应系统 关键词：因果关系;因果结构学习;介入数据;传递闭图;基因调控网络;空模型 软件：JCI公司;TETRAD公司;pcalg公司 PDF格式BibTeX公司 XML格式引用 \textit{R.Richter}等人，《统计计算》。33，第5号，第93号论文，33页（2023年；Zbl 1517.62044年） 全文： 内政部 OA许可证 参考文献： [1] Anari，N.，Hu，N..，Saberi，A.，Schild，A.：平行树木群落采样（2020年）。arXiv:2012.09502 [2] Artzy-Randrup，Y。；Stone，L.，《生成均匀分布的随机网络》，Phys。E版，72，5（2005）·doi:10.1103/PhysRevE.72.056708 [3] 巴布，MM；卢斯科姆，新墨西哥州；Aravind，L。；Gerstein，M。；Teichmann，SA，转录调控网络的结构和进化，Curr。操作。结构。生物学，14，3，283-291（2004）·doi:10.1016/j.sbi.2004.05.004 [4] 布利茨坦，J。；Diaconis，P.，生成具有指定度的随机图的序列重要性抽样算法，网络数学。，6, 4, 489-522 (2011) ·Zbl 1238.60084号 ·doi:10.1080/15427951.2010.557277 [5] Bollobás，B。；Janson，S。；Riordan，O.，非均匀随机图中的相变，随机结构。算法，31，1，3-122（2007）·兹比尔1123.05083 ·doi:10.1002/rsa.20168 [6] 布罗德，亚利桑那州，生成随机生成树，FOCS，89，442-447（1989） [7] 布鲁拉德，P。；Lachapelle，S。；鳄鱼，A。；鳄鱼朱利安，S。；Drouin，A.，从介入数据中发现不同的因果关系，Adv.Neural。信息处理。系统。，33, 21865-21877 (2020) [8] 科伦坡，D。；Maathuis，MH，基于有序依赖约束的因果结构学习，J.Mach。学习。研究，15，3741-3782（2014）·Zbl 1312.68165号 [9] 科伦坡，D。；Maathuis，MH；Kalisch，M。；Richardson，TS，《学习具有潜在和选择变量的高维有向无环图》，《Ann.Stat.》，40，1，294-321（2012）·Zbl 1246.62131号 ·doi:10.1214/11-AOS940 [10] Cortes，C.，Mohri，M.：roc曲线下面积的置信区间。高级神经信息处理。系统。17 (2004) [11] 迪克西，A。；奥兰多·帕纳斯。；李，B。；陈，J。；富尔科，CP；杰比·阿诺恩，L。；新泽西州马尔亚诺维奇；迪翁，D。；伯克斯，T。；Raychowdhury，R。；亚当森，B。；TM诺曼；兰德，ES；JS韦斯曼；弗里德曼，N。；Regev，A.，《Perturb-seq：用可扩展的单细胞RNA分析来剖析分子回路》，《细胞》，167，7，1853-1866.e17（2016）·doi:10.1016/j.cell.2016.11.038 [12] Eigenmann，M.，Mukherjee，A.，Maathuis，M.：通过风险估计评估因果结构学习算法。载于：《无人机情报》，第151-160页。PMLR（2020）。http://proceedings.mlr.press/v124/eigenmann20a.html [13] Fornito，A。；Zalesky，A。；Bullmore，E.，《大脑网络分析基础》（2016），剑桥：学术出版社，剑桥·文件编号：10.1016/C2012-0-06036-X [14] Fortunato，S.，图中的社区检测，Phys。众议员，486，3-5，75-174（2010）·doi:10.1016/j.physrep.2009.11.002 [15] Fosdick，BK；拉雷莫尔，DB；西村，J。；Ugander，J.，用固定度序列配置随机图模型，SIAM Rev.，60，2，315-355（2018）·Zbl 1387.05235号 ·doi:10.1137/16M1087175 [16] Gauvin，L.、Génois，M.、Karsai，M.，Kivelä，M..、Takaguchi，T.、Valdano，E.、Vestergaard，C.L.《时间网络的随机参考模型》（2018年）。arXiv:1806.04032·Zbl 1502.05230号 [17] Greenhill，C.：不规则图采样的切换马尔可夫链。摘自：第二十六届ACM-SIAM离散算法年会论文集，第1564-1572页。SIAM（2014）·Zbl 1371.60126号 [18] JA Hanley；麦克尼尔，BJ，接收器工作特性（ROC）曲线下面积的含义和使用，放射学，143，1，29-36（1982）·doi:10.1148/放射学.143.1.7063747 [19] 豪泽，A。；Bühlmann，P.，有向非循环图的介入马尔可夫等价类的刻画和贪婪学习，J.Mach。学习。第13号、第1号、第2409-2464号决议（2012年）·兹比尔1433.68346 [20] Heinze-Deml，C。；马图伊斯，MH；Meinshausen，N.，因果结构学习，Annu。修订状态申请。，5, 1, 371-391 (2018) ·doi:10.1146/annurev-statistics-031017-100630 [21] Hill，S.M.，Heiser，L.M.，Cokelaer，T.，Unger，M.，Nesser，N.K.，Carlin，D.E.，Zhang，Y.，Sokolov，A.，Paull，E.O.，Wong，C.K.，Graim，K.，Bivol，A.，Wang，H.，Zhu，F.，Afsari，B.，Danilova，L.V.，Favoov，A.V.，Lee，W.S.，Taylor，D.，Hu，C.W.，Long，B.L.，Noren，D.P.，Bisberg，A.J.，Consortium，H.-D.，Mills，G.B.，Gray，J.W.，Kellen，M.、诺曼、，T.，Friend，S.，Qutub，A.A.，Fertig，E.J.，Guan，Y.，Song，M.，Stuart，J.M.，Spellman，P.T.，Koeppl，H.，Stolovitzky，G.，Saez-Rodriguez，J.，Mukherjee，S.：推断因果分子网络：通过基于社区的努力进行经验评估。《自然方法》13（4），310-318（2016）。doi:10.1038/nmeth.3773 [22] 山姆·希尔；欧茨，CJ；布莱斯，DA；Mukherjee，S.，通过流形正则化进行因果学习，J.Mach。学习。研究：JMLR，20，127（2019）·Zbl 1434.68414号 ·doi:10.17863/凸轮.44718 [23] 霍夫，PD；Raftery，AE；Handcock，MS，社会网络分析的潜在空间方法，《美国统计协会期刊》，97，460，1090-1098（2002）·Zbl 1041.62098号 ·doi:10.1198/016214502388618906 [24] Hyttinen，A.、Eberhardt，F.、Järvisalo，M.：基于约束的因果发现：用答案集编程解决冲突。UAI（2014）。http://www.its.caltech.edu/fehardt/papers/HEJ_UAI2014.pdf [25] Ideker，T。；Galitski，T。；胡德，L.，《解读生命的新方法：系统生物学》，年。基因组学评论。，2, 343-372 (2001) ·doi:10.1146/annurev.genom.2.1.343 [26] Kalisch，M。；Mächler，M。；科伦坡，D。；Maathuis，MH；Bühlmann，P.，使用图形模型和R包pcalg进行因果推断，J.Stat.Softw。，47, 11, 1-26 (2012) ·doi:10.18637/jss.v047.i11 [27] Karp，RM，随机有向图的传递闭包，随机结构。算法，1，173-93（1990）·Zbl 0712.68076号 ·doi:10.1002/rsa.3240010106 [28] Kemmeren，P。；Sameith，K。；van de Pasch，洛杉矶；Benschop，JJ；Lenstra，TL；玛格丽蒂斯，T。；O'Duibhir，E。；阿普韦勒，E。；van Wageningen，S。；Ko，顺时针；van Heesch，S。；卡沙尼，MM；米氏Ampatziadis Michailidis，G。；布罗克，密苏里州；NACH Brabers公司；迈尔斯，AJ；布梅斯特，D。；van Hooff，SR；van Bakel，H。；泥浆，E。；巴克尔，LV；斯内尔，B。；利恩扎德，P。；van Leenen，D。；格罗特·科尔坎普，MJA；Holstege，FCP，大尺度遗传扰动揭示了调控网络和丰富的基因特异性阻遏物，Cell，157，3，740-752（2014）·doi:10.1016/j.cell.2014.02.054 [29] 克里夫列维奇，M。；Sudakov，B.，随机图中的相变：一个简单的证明，随机结构。算法，43，2，131-138（2013）·Zbl 1272.05181号 ·doi:10.1002/rsa.20470 [30] Maathuis，MH；Kalisch，M。；Bühlmann，P.，《从观测数据估计高维干预效果》，《Ann.Stat.》，37，6，3133-3164（2009）·兹比尔1191.62118 ·doi:10.1214/09-AOS685 [31] Magliabane，S.，van Ommen，T.：因果迁移学习（2017）。https://staff.science.uva.nl/j.m.mooij/articles/1707.06422.pdf [32] Magliabane，S.、Claassen，T.、Mooij，J.：观测和实验数据集的联合因果推断（2016a）。https://staff.fnwi.uva.nl/j.m.mooij/articles/1611.10351v2.pdf ·Zbl 1507.62224号 [33] Magliabane，S.，Claassen，T.，Mooij，J.M.：祖先因果推断。收录：Lee，D.，Sugiyama，M.，Luxburg，U.，Guyon，I.，Garnett，R.（编辑）《神经信息处理系统进展》，第29卷。Curran Associates，Inc.（2016年b）。https://proceedings.neurips.cc/paper/2016/file/f3d9de86462c28781cbe5c47ef22c3e5-paper.pdf [34] Malinsky，D.，Spirtes，P.：用祖先图马尔可夫模型估计因果效应。参见：概率图形模型会议，第299-309页。PMLR（2016） [35] 明绍森，N。；豪泽，A。；Mooij，J。；彼得斯，J。；Versteeg，P。；Bühlmann，P.，《基因扰动实验和验证的因果推断方法》，Proc。国家。阿卡德。科学。美国，113，27，7361-7368（2016）·doi:10.1073/pnas.1510493113 [36] Milo，R.，Kashtan，N.，Itzkovitz，S.，Newman，M.：关于具有规定度序列的随机图的一致生成（2003）。https://arxiv.org/abs/cond-mat/0312028 [37] Mooij，J.M.，Claassen，T.：在存在循环的情况下，使用部分祖先图进行基于约束的因果发现。摘自：人工智能不确定性会议，第1159-1168页。PMLR（2020年） [38] 纽曼，ME，网络中的混合模式，物理。E版，67，2（2003）·doi:10.1103/PhysRevE.67.026126 [39] 纽曼，ME；Girvan，M.，《发现和评估网络中的社区结构》，Phys。E版，69，2（2004）·doi:10.1103/PhysRevE.69.026113 [40] 阿联酋诺盖拉；Pugnana，A。；Ruggieri，S。；佩德莱斯基，D。；Gama，J.，因果发现和因果推断的方法和工具，Wiley Interdiscip。版本：Data Min.Knowl。发现。，12, 2 (2022) [41] O'Donnell，R.T.，Korb，K.B.，Allison，L.：因果KL：评估因果发现（2021）。arXiv:2111.06029 [42] Parikshak，NN；MJ甘达尔；Geschwind，DH，《神经发育和神经退行性疾病中的系统生物学和基因网络》，自然科学出版社。，16, 8, 441-458 (2015) ·doi:10.1038/nrg3934 [43] Pearl，J.，因果关系（2009），剑桥：剑桥大学出版社，剑桥·Zbl 1188.68291号 ·doi:10.1017/CBO9780511803161 [44] 彼得斯，J。；Bühlmann，P。；Meinshausen，N.，《使用不变预测进行因果推断：识别和置信区间》，J.R.Stat.Soc.：Ser。B（Stat.Methodol.），78，5，947-1012（2016）·Zbl 1414.62297号 ·doi:10.1111/rssb.12167 [45] Phillips，PC，Epistasis-基因相互作用在遗传系统结构和进化中的重要作用，《自然遗传学评论》。，9, 11, 855-867 (2008) ·doi:10.1038/nrg2452 [46] Rau，A。；贾夫雷齐克，F。；Nuel，G.，《从观察和干预基因表达数据对因果效应的联合估计》，BMC系统。生物学，7111（2013）·doi:10.1186/1752-0509-7-111 [47] Richardson，T.：有向循环图的发现算法。摘自：《第十二届人工智能不确定性国际会议论文集》，第454-461页（1996） [48] Rothenhäusler，D.，Bühlmann，P.，Meinshausen，N.：因果Dantzig：在加性干预下具有隐藏变量的线性结构方程模型中的快速推理。《Ann.Stat.47》（3），1688-1722（2019）。doi:10.1214/18-AOS1732·Zbl 1420.62309号 [49] 萨克斯，K。；佩雷斯，O。；佩尔，D。；劳芬伯格，DA；Nolan，GP，《从多参数单细胞数据导出的因果蛋白信号网络》，《科学》，308，5721，523-529（2005）·doi:10.1126/science.1105809 [50] Sanguinetti，G。；弗吉尼亚州Huynh Thu，《基因调控网络：方法和协议》（2019），纽约：施普林格，纽约·Zbl 1417.92005年 ·doi:10.1007/978-1-4939-8882-2 [51] O.沙勒姆。；东北部桑贾纳；Zhang，F.，使用CRISPR-Cas9的高通量功能基因组学，《自然评论遗传学》。，16, 5, 299-311 (2015) ·doi:10.1038/nrg3899 [52] Spencer，SE公司；山姆·希尔；Mukherjee，S.，《从介入时间过程实验推断网络结构》，《应用年鉴》。统计，9507-524（2015）·Zbl 1454.62403号 ·doi:10.1214/15-AOAS806 [53] Spirtes，P.：因果推理导论。J.马赫。学习。第11（5）号决议（2010年）·Zbl 1242.62009年 [54] Spites，P.、Glymour，C.N.、Scheines，R.、Heckerman，D.：因果关系、预测和搜索。麻省理工学院出版社，剑桥（2000）·Zbl 0806.62001 [55] O.乌苏。；Neal，JT；Shea，E。；塔科雷，PI；杰比·阿诺恩，L。；Nguyen，L。；迪翁，D。；迪亚兹，C。；鲍曼，J。；Mosaad，MM，《癌症编码变异体的大规模并行表型分析与扰动seq》，国家生物技术。，40, 1-10 (2022) [56] Wang，Y。；Solus，L。；Yang，K。；尤勒，C。；盖恩，I。；卢克斯堡，UV；Bengio，S。；瓦拉赫，H。；弗格斯，R。；Vishwanathan，S。；Garnett，R.，《基于排列的因果推理算法与干预》，《神经信息处理系统进展》（2017），纽约：Curran Associates Inc.，纽约 [57] Zhang，J.，利用祖先图进行因果推理，J.马赫。学习。第9号决议，1437-1474（2008年）·Zbl 1225.68254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。