論文の概要: Latent Network Estimation and Variable Selection for Compositional Data
via Variational EM
- arxiv url: http://arxiv.org/abs/2010.13229v2
- Date: Fri, 9 Apr 2021 02:44:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 04:57:49.456181
- Title: Latent Network Estimation and Variable Selection for Compositional Data
via Variational EM
- Title(参考訳): 変動emを用いた構成データの潜在ネットワーク推定と可変選択
- Authors: Nathan Osborne, Christine B. Peterson, and Marina Vannucci
- Abstract要約: ネットワークの相互作用と関連性を同時に推定する新しい手法を開発した。
マイクロバイオームデータへの応用を通して,本モデルの実用性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network estimation and variable selection have been extensively studied in
the statistical literature, but only recently have those two challenges been
addressed simultaneously. In this paper, we seek to develop a novel method to
simultaneously estimate network interactions and associations to relevant
covariates for count data, and specifically for compositional data, which have
a fixed sum constraint. We use a hierarchical Bayesian model with latent layers
and employ spike-and-slab priors for both edge and covariate selection. For
posterior inference, we develop a novel variational inference scheme with an
expectation maximization step, to enable efficient estimation. Through
simulation studies, we demonstrate that the proposed model outperforms existing
methods in its accuracy of network recovery. We show the practical utility of
our model via an application to microbiome data. The human microbiome has been
shown to contribute to many of the functions of the human body, and also to be
linked with a number of diseases. In our application, we seek to better
understand the interaction between microbes and relevant covariates, as well as
the interaction of microbes with each other. We provide a Python implementation
of our algorithm, called SINC (Simultaneous Inference for Networks and
Covariates), available online.
- Abstract(参考訳): ネットワーク推定と変数選択は統計学で広く研究されてきたが、最近になって2つの課題が同時に解決された。
本稿では,数量データ,特に固定和制約を持つ合成データに対して,ネットワーク間相互作用と関連する共変量との関係を同時に推定する新しい手法を提案する。
階層型ベイズモデルと潜在層を用いて,エッジ選択と共変量選択にスパイク・アンド・スラブ先行を用いる。
後部推論のために,予測最大化ステップを持つ新しい変分推論手法を開発し,効率的な推定を実現する。
シミュレーション研究を通じて,提案手法はネットワーク回復の精度において既存手法よりも優れていることを示す。
マイクロバイオームデータへの応用を通して,本モデルの実用性を示す。
ヒトのマイクロバイオームは、ヒトの身体の機能の多くに寄与し、また多くの疾患と関連していることが示されている。
我々は,微生物と関連する共変体との相互作用や微生物同士の相互作用をよりよく理解することを目指す。
我々は、SINC(Simultaneous Inference for Networks and Covariates)と呼ばれるアルゴリズムのPython実装をオンラインで提供します。
関連論文リスト
- Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。
後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。
各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
論文 参考訳(メタデータ) (2025-02-04T18:23:22Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Cross-Validation for Training and Testing Co-occurrence Network
Inference Algorithms [1.8638865257327277]
共起ネットワーク推論アルゴリズムは、微生物、特にバクテリアの複雑な関連を理解するのに役立ちます。
推定されたネットワークの品質を評価するための従来の方法は、外部データの使用、サブサンプル間のネットワーク一貫性などである。
本稿では、共起ネットワーク推論アルゴリズムを評価するための新しいクロスバリデーション手法と、テストデータに基づく予測に既存のアルゴリズムを適用する新しい方法を提案する。
論文 参考訳(メタデータ) (2023-09-26T19:43:15Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Bayesian community detection for networks with covariates [16.230648949593153]
科学界でもっとも注目されているのは「コミュニティ検出」である。
共依存型ランダムパーティションを持つブロックモデルを提案する。
本モデルでは, 後部推測により, コミュニティの数を知ることができる。
論文 参考訳(メタデータ) (2022-03-04T01:58:35Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳(メタデータ) (2020-07-31T23:37:38Z) - A Functional Model for Structure Learning and Parameter Estimation in
Continuous Time Bayesian Network: An Application in Identifying Patterns of
Multiple Chronic Conditions [2.440763941001707]
本稿では,ポアソン回帰に代表される条件依存型連続時間ベイズネットワークを提案する。
獣医科の電子健康記録から抽出した複数の慢性疾患患者のデータセットを用いた。
提案手法は、複数の慢性状態の間の複雑な機能的関係を、疎直的に表現する。
論文 参考訳(メタデータ) (2020-07-31T05:02:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。