論文の概要: PliableBVS: A flexible Bayesian variable selection method for modeling interactions with mandatory modifying variables

• arxiv url: http://arxiv.org/abs/2606.02017v1
• Date: Mon, 01 Jun 2026 10:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.955839
• Title: PliableBVS: A flexible Bayesian variable selection method for modeling interactions with mandatory modifying variables
• Title（参考訳）: PliableBVS: 必須修飾変数との相互作用をモデル化するための柔軟なベイズ変数選択法
• Authors: Theophilus Quachie Asenso, Zhi Zhao, Maren-Helene Langeland Degnes, Marie Cecilie Paasche Roland, Trond Melbye Michelsen, Manuela Zucknick,
• Abstract要約: PliableBVS(英語版)は、Pliable lassoの階層構造を保存する変数選択手法である。 提案モデルはベイジアン・ラッソの連続収縮効果と階層的なスパイク・アンド・スラブの事前定式化を組み合わせたものである。 シミュレーション研究において、本手法は、活性主および相互作用効果の同定において、元の柔軟なラッソよりも優れている。
• 参考スコア（独自算出の注目度）: 1.0680378628718095
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High-dimensional interaction models are useful for studying, for example, how a large set of variables of interest, such as gene expression or other omics features, interact with a smaller set of modifying variables, such as clinical covariates. In this context, the pliable lasso has recently been proposed as an efficient method for screening large numbers of potential interaction terms under an asymmetric weak hierarchical constraint. In this work, we extend this framework by introducing PliableBVS, a Bayesian variable selection approach that preserves the hierarchical structure of the pliable lasso while inducing sparsity through spike-and-slab priors. The proposed model combines the continuous shrinkage effect of Bayesian lasso with a hierarchical spike-and-slab prior formulation that has two layers of decision variables: one governing the inclusion of main effects and another controlling the inclusion of interaction effects which is conditional on the inclusion of the corresponding main effects. This structure enables simultaneous selection of high-dimensional main and interaction effects within a coherent probabilistic framework. In simulation studies the proposed method outperforms the original pliable lasso in identifying active main and interaction effects, reducing false discoveries, and improving prediction accuracy in most scenarios. Applications with data from a labor onset study and a preeclampsia study demonstrate that PliableBVS selects biologically meaningful features and interactions.
• Abstract（参考訳）: 高次元相互作用モデル(英語版)は、例えば、遺伝子発現や他のオミクス特徴などの興味のある変数の大規模なセットが、臨床的共変量のような小さな変更変数のセットとどのように相互作用するかを研究するのに有用である。 この文脈において、pliable lasso は非対称弱階層的制約の下で多数のポテンシャル相互作用項をスクリーニングする効率的な方法として最近提案されている。 本研究では,ベイズ変数選択手法であるPliableBVSを導入することにより,この枠組みを拡張した。 提案モデルでは, ベイジアン・ラッソの連続収縮効果と, 主効果の包含を制御し, 対応する主効果の包含を条件とした相互作用効果の包含を制御する階層的スパイク・アンド・スラブ事前定式化を組み合わせた。 この構造は、コヒーレント確率的フレームワーク内での高次元主および相互作用効果の同時選択を可能にする。 シミュレーション研究において,本手法は,本手法の有効性と相互作用効果を同定し,誤検出を低減し,ほとんどのシナリオにおいて予測精度を向上させる。 PliableBVSが生物学的に意味のある特徴と相互作用を選択することを示す。

関連論文リスト

• Identification of Causal Direction under an Arbitrary Number of Latent Confounders [54.76982125821112]
  実世界のシナリオでは、観測された変数は複数の潜伏変数によって同時に影響を受けることがある。 我々は,特定の方法で構築された観測変数の高次累積行列を併用する。 これらの高次累積行列の階数不足特性から,2つの観測変数間の因果非対称性が直接観察可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T15:10:00Z)
• Sparse Deep Additive Model with Interactions: Enhancing Interpretability and Predictability [16.072769293135305]
  Sparse Deep Model with Interactions (SDAMI) は、疎性駆動型特徴選択と、柔軟な関数近似のためのDeepworksを組み合わせたフレームワークである。 SDAMIの中心はエフェクト・フットプリント(英語版)の概念であり、これは高次相互作用が主効果に極端に近づくことを前提としている。 選択された各主効果に対して、SDAMIは専用のサブネットワークを構築し、解釈可能性を維持しながら非線形関数近似を可能にする。
  論文  参考訳（メタデータ） (2025-09-27T02:44:57Z)
• Bayesian Pliable Lasso with Horseshoe Prior for Interaction Effects in GLMs with Missing Responses [0.0]
  そこで本研究では,馬靴などの疎水性前駆体を主作用と相互作用効果の両方に配置する,信頼性の高いラッソを提案する。 我々の枠組みは、スパース、解釈可能な相互作用構造、および不確実性の原則的尺度を導出する。 本手法は,Githubで公開されている Texttthspliable パッケージに実装されている。
  論文  参考訳（メタデータ） (2025-09-09T08:28:21Z)
• Bayesian Hybrid Machine Learning of Gallstone Risk [0.0]
  ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。 本稿では,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。 この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。
  論文  参考訳（メタデータ） (2025-06-17T14:19:02Z)
• Active learning for affinity prediction of antibodies [45.58662352490961]
  抗体のような大きな分子では、抗体親和性を高める突然変異を同定することは困難である。 FERB法は、異なる変異が薬物候補の有効性と選択性に与える影響について、貴重な洞察を与えることができる。 本稿では,評価を行うシミュレータのシーケンスを反復的に提案し,改良されたバインダーの探索を高速化する能動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:42:49Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
  両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。 ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
  論文  参考訳（メタデータ） (2022-06-21T12:45:07Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)

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。