项目名称: 高维数据的图模型学习与统计推断

项目编号: No.11201479

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 数理科学和化学

项目作者: 尹建鑫

作者单位: 中国人民大学

项目金额: 22万元

中文摘要: 研究在高维数据情形下,图模型的结构学习及相关统计推断问题。在高维情形下,当均值受到另一组高维协变量影响时,我们用似然函数加惩罚的方法来估计无向图的结构。用惩罚似然方法研究array-型数据的无向图模型估计。对于高维有向图(DAG)采用基于约束的学习方法,其中关键的步骤是高维条件独立性检验。我们分别研究在有分布假定和无分布假定情况下的高维条件独立性检验。传统的检验统计量在高维情形下一般是无法工作的。需要提出在一定合理假定下(比如稀疏性或者结构上的假定)新的统计量和检验方法。研究所提出的检验的渐近相合性、功效以及最优性。条件独立性的推断结论本身也有意义。进一步该推断结果可以嵌入到有向无环图(DAG)整体或者部分的结构学习算法中去,比如PC,IC,递归, 或者局部学图算法。对于学得的高维图(无向或有向),我们评价在相依的多重检验下的整体错误发现率(FDR)等相关置信度度量,并研究它们的极限性质。

中文关键词: 图模型;高维数据;惩罚似然;马尔科夫毯子;自适应设计

英文摘要: We study the structral learning for graphical models and do related statistical inference under high-dimensional data setting. In the high-dimensional setting, when the mean vector is affected by another set of high dimensional covariates, we use the penalized likelihood method to estimate the structure for undirected graphs. The penalized likelihood method will also be applied to array-type of data to learn the undirected graphs. Undirected graphs can serve as the basis for the directed graphs' learning. Toward the structural learning for directed graphs, we use the constraint-based method in which the key is to test the conditional independence among two variables given a conditional variable set or two sets of variables given a conditional set in the high dimensional case. We consider both situations of with and without distributional assumptions. Traditional test statistics fail to work under such settings and we need new test statistics and method(under reasonable assumption like sparcity or structral assumption). We will study the consistency, efficiency and optimality of the proposed test. The conclusion of such test has an independent interest of itself. Furthermore, these inference conclusions can be plugged into many DAG learning algrithms(global or local) like PC, IC, Recursive and POLSL etc. For the

英文关键词: Graphical model;High Dimensional data;Penalized likelihood;Markov Blanket;Adaptive Design

成为VIP会员查看完整内容
8

相关内容

图模型由点和线组成的用以描述系统的图形。图模型属于结构模型(见模型),可用于描述自然界和人类社会中的大量事物和事物之间的关系。在建模中采用图模型可利用图论作为工具。按图的性质进行分析为研究各种系统特别是复杂系统提供了一种有效的方法。构成图模型的图形不同于一般的几何图形。例如,它的每条边可以被赋以权,组成加权图。权可取一定数值,用以表示距离、流量、费用等。加权图可用于研究电网络、运输网络、通信网络以及运筹学中的一些重要课题。图模型广泛应用于自然科学、工程技术、社会经济和管理等方面。见动态结构图、信号流程图、计划协调技术、图解协调技术、风险协调技术、网络技术、网络理论。
【干货书】统计基础、推理与推断,361页pdf
专知会员服务
80+阅读 · 2022年1月25日
专知会员服务
75+阅读 · 2021年10月12日
专知会员服务
111+阅读 · 2021年10月6日
专知会员服务
47+阅读 · 2021年8月29日
【普林斯顿-Mengdi Wang】强化学习统计复杂度,35页ppt
专知会员服务
20+阅读 · 2020年11月15日
专知会员服务
27+阅读 · 2020年10月24日
【NeurIPS 2020 - 斯坦福】知识图谱中多跳逻辑推理的Beta嵌入
多篇顶会看个体因果推断(ITE)的前世今生
PaperWeekly
3+阅读 · 2021年11月19日
机器学习领域必知必会的12种概率分布(附Python代码实现)
算法与数学之美
21+阅读 · 2019年10月18日
一文读懂线性回归、岭回归和Lasso回归
CSDN
33+阅读 · 2019年10月13日
论文浅尝 | 时序与因果关系联合推理
开放知识图谱
33+阅读 · 2019年6月23日
一文读懂贝叶斯分类算法(附学习资源)
大数据文摘
12+阅读 · 2017年12月14日
贝叶斯网络入门
论智
15+阅读 · 2017年11月19日
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
Arxiv
15+阅读 · 2021年2月19日
Arxiv
10+阅读 · 2017年7月4日
小贴士
相关VIP内容
【干货书】统计基础、推理与推断,361页pdf
专知会员服务
80+阅读 · 2022年1月25日
专知会员服务
75+阅读 · 2021年10月12日
专知会员服务
111+阅读 · 2021年10月6日
专知会员服务
47+阅读 · 2021年8月29日
【普林斯顿-Mengdi Wang】强化学习统计复杂度,35页ppt
专知会员服务
20+阅读 · 2020年11月15日
专知会员服务
27+阅读 · 2020年10月24日
【NeurIPS 2020 - 斯坦福】知识图谱中多跳逻辑推理的Beta嵌入
相关资讯
多篇顶会看个体因果推断(ITE)的前世今生
PaperWeekly
3+阅读 · 2021年11月19日
机器学习领域必知必会的12种概率分布(附Python代码实现)
算法与数学之美
21+阅读 · 2019年10月18日
一文读懂线性回归、岭回归和Lasso回归
CSDN
33+阅读 · 2019年10月13日
论文浅尝 | 时序与因果关系联合推理
开放知识图谱
33+阅读 · 2019年6月23日
一文读懂贝叶斯分类算法(附学习资源)
大数据文摘
12+阅读 · 2017年12月14日
贝叶斯网络入门
论智
15+阅读 · 2017年11月19日
相关基金
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员