On an Additive Semigraphoid Model for Statistical Networks With Application to Pathway Analysis
统计网络的加性半图模型及其通路分析应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的网络是变量依赖图与遗传通路，未涉及微观网络互动或处理干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
统计网络的加性半图模型及其通路分析应用
- 研究问题
- 如何估计非高斯图模型并降低高维非参数分析的负担？摘要研究一种与条件独立逻辑相似、但另行定义的统计关系。
- 方法与思路
- 作者提出加性条件独立及加性精度算子，以一维核构造非参数图模型估计，并通过模拟和遗传通路分析与既有方法比较。
- 材料陈述的贡献
- 摘要称，方法包含非正态变换图模型这一特例，并在高斯 copula 假设违反时表现更好；加性结构也简化了计算。
- 阅读关注点
- 应核对加性条件独立与通常条件独立的区别、精度算子如何定义图边，以及一维核方法的适用条件和比较情景。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；图恢复条件与性能指标未说明，所称比较优势不能推广到全部非高斯分布。
原文摘要
We introduce a nonparametric method for estimating non-gaussian graphical models based on a new statistical relation called additive conditional independence, which is a three-way relation among random vectors that resembles the logical structure of conditional independence. Additive conditional independence allows us to use one-dimensional kernel regardless of the dimension of the graph, which not only avoids the curse of dimensionality but also simplifies computation. It also gives rise to a parallel structure to the gaussian graphical model that replaces the precision matrix by an additive precision operator. The estimators derived from additive conditional independence cover the recently introduced nonparanormal graphical model as a special case, but outperform it when the gaussian copula assumption is violated. We compare the new method with existing ones by simulations and in genetic pathway analysis.