Multi-Domain Sampling With Applications to Structural Inference of Bayesian Networks
多区域采样及其在贝叶斯网络结构推断中的应用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：摘要涉及多峰后验与生物信号网络结构学习，未直接研究所列微观网络或干扰效应。
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
多区域采样及其在贝叶斯网络结构推断中的应用
- 研究问题
- 多峰后验的整体均值可能掩盖重要结构，如何分别描述各局部模态的吸引域、概率质量和域内条件期望？
- 方法与思路
- 作者按局部模态的吸引域分解样本空间，定义基于区域的后验表示，并开发多区域采样器用于多峰分布及网络结构学习。
- 材料陈述的贡献
- 摘要称该方法能呈现更细致的后验分布形态，并在单细胞蛋白信号网络应用中改善估计网络的准确性和预测能力。
- 阅读关注点
- 应核对吸引域的定义与划分算法、跨区域探索及概率质量估计的可靠性，以及网络比较标准和因果结构解释所需的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明采样收敛条件或改善幅度，也不能据因果贝叶斯网络名称确认因果识别。
原文摘要
When a posterior distribution has multiple modes, unconditional expectations, such as the posterior mean, may not offer informative summaries of the distribution. Motivated by this problem, we propose to decompose the sample space of a multimodal distribution into domains of attraction of local modes. Domain-based representations are defined to summarize the probability masses of and conditional expectations on domains of attraction, which are much more informative than the mean and other unconditional expectations. A computational method, the multi-domain sampler, is developed to construct domain-based representations for an arbitrary multimodal distribution. The multi-domain sampler is applied to structural learning of protein-signaling networks from high-throughput single-cell data, where a signaling network is modeled as a causal Bayesian network. Not only does our method provide a detailed landscape of the posterior distribution but also improves the accuracy and the predictive power of estimated networks. This article has supplementary material online.