BDgraph公司

稀疏高斯图形模型中的贝叶斯结构学习。在观测相对较少的情况下,解码大量变量之间的复杂关系是科学研究的关键问题之一。解决这个问题的一种方法是高斯图形建模,它通过基础图中边的存在与否来描述变量的条件独立性。本文介绍了一种新的、有效的高斯图形模型确定的贝叶斯框架,即基于连续时间生灭过程的跨维马尔可夫链蒙特卡罗(MCMC)方法。我们将介绍该方法的理论和计算细节。对于高维图,它易于实现,计算上可行。我们的方法在收敛性、图空间混合性和计算时间方面优于其他贝叶斯方法。与频繁使用的方法不同,它为结构学习提供了一种原则性的、在实践中是明智的方法。我们在大量的模拟数据上证明了该方法的有效性。然后我们将该方法应用于人类和乳腺基因表达研究的大规模实际应用中,以显示其经验有用性。此外,我们在R包BDgraph中实现了该方法,该包可以在url上免费获得{http://CRAN.R-project.org/package=BDgraph}.


zbMATH中的参考文献(参考文献12条,1标准件)

显示第1到第12个结果,共12个。
按年份排序(引用)

  1. Zhi Zhao,Marco Banterle,Leonardo Bottolo,Sylvia Richardson,Alex Lewin,Manuela Zucknick:BayesSUR:线性回归中高维多元贝叶斯变量和协方差选择的R包(2021)阿尔十四
  2. 唐纳德·威廉姆斯;Joris Mulder:BGGM:R中的贝叶斯高斯图形模型(2020)不是zbMATH
  3. 李泽恒;麦科米克,泰勒H。;克拉克,塞缪尔J.:使用贝叶斯潜在高斯图形模型推断口头尸检中的症状关联(2020)
  4. 穆罕默迪,礼萨;普拉托拉,马修;Kaptein,Maurits:贝叶斯回归树模型的连续时间出生-死亡MCMC(2020)
  5. 穆尔格雷夫,杰米J。;Ghosal,Subhashis:非异常图形模型中的贝叶斯推理(2020)
  6. 倪,杨;ü勒,彼得;季媛:电子病历表型的贝叶斯双特征分配(2020)
  7. 艾伊ıld公司ız、 埃兹基;Purut公司çuo公司ğ卢,维尔达;Weber,Gerhard Wilhelm:基于环的二次多元自适应回归样条是复杂生物网络高级构造的一种新方法(2018)
  8. 多布拉,阿德里安;Mohammadi,Reza:对数线性模型选择和人类流动性(2018)
  9. 莱普ä-啊哈,珍妮;彭萨,约翰;鲁斯,提姆;Corander,Jukka:学习具有分数边缘伪似然的高斯图形模型(2017)
  10. 穆罕默德,A。;机智,E。C、 :稀疏高斯图形模型中的贝叶斯结构学习(2015)
  11. 穆罕默德,A。;Wit,E.C.:BDgraph:图形模型中贝叶斯结构学习的R包(2015)阿尔十四
  12. 皮卡拉贝鲁,尤金;克莱斯肯斯,格达;贾法里,萨拉;Waldorp,Lourens J.:高维数据功能磁共振成像中图形模型的聚焦信息准则(2015)