×

在惩罚高斯图形模型中选择调谐参数。 (英语) Zbl 1430.62020年

摘要:高斯图形模型的惩罚推理是评估多元问题中条件独立结构的一种方法。在此设置中,与图形相对应的条件独立结构与调整参数的选择有关,该参数决定了模型的复杂性或自由度。关于惩罚高斯图形模型的自由度的研究很少。本文提出了惩罚高斯图形模型中自由度的估计。具体来说,我们受到广义信息准则的启发,推导了一个估计器,并建议将该估计器用作两个信息准则的偏差项。我们将这些调谐参数选择器称为GAIC和GBIC。这些选择器可用于选择调谐参数,即最佳调谐参数是GAIC或GBIC的最小值。一项模拟研究表明,GAIC在高维环境下的估计质量(熵损失函数)方面,倾向于提高AIC型和CV型模型选择器的性能。此外,GBIC模型选择器在支持恢复(F-score)方面提高了BIC型和CV型模型选择器的性能。数据分析表明,GBIC选择了一个调谐参数,该参数产生一个关于BIC的稀疏图和一个CV型模型选择器(KLCV)。

MSC公司:

62B10型 信息理论主题的统计方面
62A09号 统计学中的图形方法
05C90年 图论的应用
PDF格式BibTeX公司 XML格式引用
全文: 内政部 链接

参考文献:

[1] Bogdan,M.,Ghosh,J.K.,Doerge,R.W.:修改Schwarz-Bayesian信息标准以定位多个相互作用的数量性状基因座。遗传学167(2),989-999(2004)·doi:10.1534/genetics.103.021683
[2] Broman,K.W.,Speed,T.P.:鉴定实验杂交中数量性状位点的模型选择方法。J.R.统计社会服务。B(Stat.Methodol.)64(4),641-656(2002)·Zbl 1067.62108号 ·doi:10.1111/1467-9868.00354
[3] Cai,T.,Liu,W.,Luo,X.:受约束的\[\ell_1\]1稀疏精度矩阵估计的最小化方法。《美国统计协会期刊》1063(494),594-607(2011)·Zbl 1232.62087号 ·doi:10.1198/jasa.2011.tm10155
[4] Craven,P.,Wahba,G.:用样条函数平滑噪声数据。数字。数学。31(4), 377-403 (1978) ·Zbl 0377.65007号 ·doi:10.1007/BF01404567
[5] Chen,J.,Chen,Z.:大模型空间模型选择的扩展贝叶斯信息准则。Biometrika 95(3),759-771(2008)·Zbl 1437.62415号 ·doi:10.1093/biomet/asn034
[6] d'Aspremont,A.,Banerjee,O.,El Ghaoui,L.:稀疏协方差选择的一阶方法。SIAM J.矩阵分析。申请。30(1), 56-66 (2008) ·Zbl 1156.90423号 ·数字对象标识代码:10.1137/060670985
[7] Dong,X.,Wahba,G.:非高斯数据平滑样条曲线的广义近似交叉验证。统计正弦。6(3), 675-692 (1996) ·Zbl 0854.62044号
[8] Edwards,D.:图形建模简介。施普林格,柏林(2000)·Zbl 0952.62003号 ·doi:10.1007/978-1-4612-0493-0
[9] Fan,J.、Feng,Y.、Wu,Y.:通过自适应套索和扫描惩罚进行网络探索。附录申请。《统计》第3(2)卷,第521-541页(2009年)·兹比尔1166.62040 ·doi:10.1214/08-AOAS215
[10] Fan,J.,Li,R.:通过非冲突惩罚似然及其预言属性进行变量选择。《美国统计协会期刊》96(456),1348-1360(2001)·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[11] Foygel,R.,Drton,M.:高斯图形模型的扩展贝叶斯信息准则。高级神经信息处理。系统。23, 604-612 (2010)
[12] Fried,R.,Vogel,D.:稳健高斯图形建模。应用概率统计的最新发展。柏林施普林格出版社(2009)
[13] Friedman,J.、Hastie,T.、Tibshirani,R.:用图形套索进行稀疏逆协方差估计。生物统计学9(3),432-441(2008)·Zbl 1143.62076号 ·doi:10.1093/biostatistics/kxm045
[14] Gao,X.,Pu,D.Q.,Wu,Y.,Xu,H.:高斯图形模型惩罚似然估计的调整参数选择。统计正弦。22(3), 1123 (2012) ·Zbl 06072101号
[15] Konishi,S.,Kitagawa,G.:模型选择中的一般信息标准。《生物特征》83(4),875-890(1996)·兹比尔0883.62004 ·doi:10.1093/生物技术/83.4875
[16] Konishi,S.,Kitagawa,G.:信息标准和统计建模。柏林施普林格出版社(2008)·Zbl 1172.62003年 ·数字对象标识代码:10.1007/978-0-387-71887-3
[17] Lam,C.,Fan,J.:大协方差矩阵估计中的稀疏性和收敛速度。Ann.Stat.37(6B),4254(2009)·Zbl 1191.62101号 ·doi:10.1214/09-AOS720
[18] Lauritzen,S.L.:图形模型。牛津大学出版社,牛津(1996)·Zbl 0907.62001
[19] Lian,H.:精密矩阵估计中的收缩调谐参数选择。J.统计计划。推断141(8),2839-2848(2011)·兹比尔1213.62099 ·doi:10.1016/j.jspi.2011.03.008
[20] Liu,H.,Roeder,K.,Wasserman,L.:高维图形模型正则化选择(星)的稳定性方法。高级神经信息处理。系统。23, 1432-1440 (2010)
[21] Magnus,J.R.,Neudecker,H.:矩阵微分学及其在统计学和计量经济学中的应用。概率统计威利级数。霍博肯·威利(2007)
[22] Nishii,R.:多元回归中变量选择标准的渐近性质。Ann.Stat.12(2),758765(1984)·Zbl 0544.62063号 ·doi:10.1214/aos/1176346522
[23] Penny,W.:正常伽马的Kullback-Leibler发散。Dirichlet和Wishart密度。认知神经病学欢迎系技术代表(2001年)
[24] Rothman,A.J.,Bickel,P.J.,Levina,E.,Zhu,J.:稀疏排列不变协方差估计。选举人。J.Stat.2,494-515(2008)·Zbl 1320.62135号 ·doi:10.1214/08-EJS176
[25] Rue,H.,Held,L.:高斯马尔可夫随机场:理论与应用。CRC出版社,博卡拉顿(2005)·邮编1093.60003 ·doi:10.1201/9780203492024
[26] Schmidt,M.,Fung,G.和Rosales,R.:l1正则化的快速优化方法:比较研究和两种新方法。摘自:《欧洲机器学习会议记录》,第286-297页。施普林格(2007)
[27] Siegmund,D.:不规则问题中的模型选择:在绘制数量性状位点中的应用。《生物特征》94(3),553-568(2004)·Zbl 1064.62114号
[28] Zhang,Y.,Li,R.,Tsai,C.-L.:基于广义信息准则的正则化参数选择。《美国法律总汇》第105卷(489)、第312323页(2010年)·Zbl 1397.62262号 ·doi:10.1198/jasa.2009.tm08013
[29] Wang,H.,Li,R.,Tsai,C.-L.:平滑剪裁绝对偏差方法的调整参数选择器。生物特征91(4),785-800(2007)·Zbl 1135.62058号
[30] Zou,H.:自适应套索及其预言属性。《美国统计协会期刊》101(476),1418-1429(2006)·Zbl 1171.62326号 ·doi:10.1198/016214500000735
[31] Whittaker,J.:应用多元统计中的图形模型。威利出版社,霍博肯(2009)·Zbl 1151.62053号
[32] Yuan,M.,Lin,Y.:高斯图形模型中的模型选择和估计。Biometrika 94(1),19-35(2007)·Zbl 1142.62408号 ·doi:10.1093/biomet/asm018
[33] Zhao,T.,Liu,H.,Roeder,K.,Lafferty,J.,Wasserman,L.:R.J.Mach中高维无向图估计的庞大软件包。学习。第13(4)号决议,1059-1062(2012)·Zbl 1283.68311号
[34] Vujac̆ić,i.,Abbruzzo,A.,Wit,E.:惩罚高斯图形模型中交叉验证的快速计算替代方法。J.统计计算。模拟。85(18), 3628-3640 (2015) ·Zbl 1510.62077号 ·doi:10.1080/00949655.2014.992020年
[35] Wille,A.、Zimmermann,P.、Vranová,E.、Fürholz,A.、Laule,O.、Bleuler,S.、Hennig,L.、Prelić,A.、von Rohr,P.,Thiele,L.,Zitzler,E.、Gruissem,W.、Buhlmann,P:拟南芥类异戊二烯基因网络的稀疏高斯图形建模。基因组生物学。5(11),R92(2004)·doi:10.1186/gb-2004-5-11-r92
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。