スケーラブルバイグラフィックLasso:カウントデータのための双方向スパースネットワーク推論【JST・京大機械翻訳】

Li Sijia; Lopez-Garcia Martin; Lawrence Neil D.; Cutillo Luisa

プレプリント

J-GLOBAL ID：202202206087411283 整理番号：22P0304562

スケーラブルバイグラフィックLasso:カウントデータのための双方向スパースネットワーク推論【JST・京大機械翻訳】

Scalable Bigraphical Lasso: Two-way Sparse Network Inference for Count Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月15日プレプリントサーバーでの情報更新日： 2022年03月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

古典的に,統計的データセットは特徴(n>p)よりも多数のデータ点を持つ。データ点が条件的に独立している場合に対する古典的統計キャタの標準モデルは,パラメータを与える。しかし,n≒pまたはp>nでは,そのようなモデルはあまり決定されていない。Kalaitzis et al.(2013)は,グラフのデカルト積に基づくスパース精度行列の推定量であるBigraphal Lassoを導入した。残念なことに,元のBigraphal Lassoアルゴリズムはメモリ要求により大きなpとnの場合に適用できない。デカルト積グラフの固有値分解を利用して,O(n ̄2p ̄2)からO(n ̄2+p ̄2)へのメモリ要求を低減するアルゴリズムのより効率的なバージョンを提示した。生物学,医学,および社会科学のような異なる応用分野における多くのデータセットは,Gaussベースのモデルが適用できない計数データを伴う。著者らのマルチウェイネットワーク推論アプローチは,離散的データのために使用することができた。本方法論は,インスタンスと特徴の両方にわたる依存性を説明し,高次元データに対する計算量を低減し,離散データと連続データの両方を扱うことができる。合成と実データセットの両方に関する数値的研究を提示して,著者らの方法の性能を示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

信号理論 , 分子・遺伝情報処理

, ,

前のページに戻る