False Discovery Rate Control for Gaussian Graphical Models via Neighborhood Screening

要約

ガウス グラフィカル モデルは幅広い分野で登場します。
これらは、変数間の統計的関係をグラフとしてモデル化し、2 つの変数間のエッジが条件依存を示します。
残念ながら、グラフィカルなげなわや近傍選択などの十分に確立された推定器は、誤ったエッジ検出が蔓延する可能性が高いことが知られています。
誤検出は、不正確または不正確な科学的解釈を助長する可能性があり、生物医学や医療などの用途に重大な影響を及ぼします。
この論文では、グラフ学習にノード単位の変数選択アプローチを導入し、選択されたエッジ セットの誤検出率を自己推定レベルで制御できることを証明しています。
個々の近傍の新しい融合方法により、無向グラフ推定が出力されます。
提案手法はパラメータフリーであり、ユーザによるチューニングは必要ありません。
さまざまなグラフ トポロジを考慮した数値実験で、競合する誤検出率制御手法と比較したベンチマークでは、パフォーマンスが大幅に向上していることが示されています。

要約(オリジナル)

Gaussian graphical models emerge in a wide range of fields. They model the statistical relationships between variables as a graph, where an edge between two variables indicates conditional dependence. Unfortunately, well-established estimators, such as the graphical lasso or neighborhood selection, are known to be susceptible to a high prevalence of false edge detections. False detections may encourage inaccurate or even incorrect scientific interpretations, with major implications in applications, such as biomedicine or healthcare. In this paper, we introduce a nodewise variable selection approach to graph learning and provably control the false discovery rate of the selected edge set at a self-estimated level. A novel fusion method of the individual neighborhoods outputs an undirected graph estimate. The proposed method is parameter-free and does not require tuning by the user. Benchmarks against competing false discovery rate controlling methods in numerical experiments considering different graph topologies show a significant gain in performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google