Bayesian DAG Structure Learning with Simultaneous Shrinkage Covariance Estimation under Scale-Mixture Error Distributions in the Proportional High-Dimensional Regime
比例高维下尺度混合误差的贝叶斯DAG结构学习与收缩协方差估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及有向无环图结构学习与父集选择，属于网络与干扰方向；其 DAG 结构与拓扑次序的因果图语义也与因果推断相关，故选取这两个最直接相关的细分领域。
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…
比例高维下尺度混合误差的贝叶斯DAG结构学习与收缩协方差估计
- 研究问题
- 摘要称，研究目标是在高维比例渐近区间 p/n→c∈(0,∞) 下，同时完成有向无环图结构学习与精度矩阵估计，并处理尺度混合正态误差带来的重尾与污染问题。
- 方法与思路
- 作者提出 R-DACH 框架：在 DAG-Markov 精度矩阵修正 Cholesky 因子的严格下三角元素上放置全局-局部 horseshoe 型先验，以实现父集选择；并用逐观测逆伽马尺度混合获得稳健性，设计部分折叠分块 Gibbs 抽样遍历次序、稀疏模式与连续参数。
- 材料陈述的贡献
- 摘要称该框架将 DAG 结构学习与精度矩阵收缩估计统一起来，稀疏 Cholesky 参数可诱导与拓扑次序一致的父集选择；尺度混合涵盖 Student-t、Laplace、slash 等特例；模拟显示在污染情形下优于 graphical-horseshoe、DAG-Wishart 与基于 PC 的方法，并用于 TCGA RNA-seq 数据。
- 阅读关注点
- 阅读全文时应核对：比例渐近下理论速率的成立条件与证明；horseshoe 先验在 Cholesky 参数上的后验收缩性质；Gibbs 抽样遍历次序空间的可识别性与收敛诊断；模拟中 p 的规模、污染设定与对比方法实现细节；TCGA 应用的可复现性与生物学解释依据。
- 阅读边界
- 仅依据摘要，无法判断定理假设、证明正确性、模拟数值细节与真实数据结论的稳健性；摘要未说明先验超参数选择、计算复杂度与收敛速度的具体刻画。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a unified Bayesian framework namely robust DAG-Cholesky horseshoe (R-DACH) for joint directed acyclic graph (DAG) structure learning and precision matrix estimation in the high-dimensional proportional asymptotic regime $p/n \to c \in (0,\infty)$, under the scale mixture of normal errors. The construction places a global-local horseshoe-type prior directly on the strictly lower-triangular entries of the modified Cholesky factor of the DAG-Markov precision matrix, so that sparsity in the Cholesky parameters induces a coherent parent-set selection consistent with a topological ordering of the variables. A per-observation inverse-gamma scale mixture yields automatic robustness to heavy-tailed and contaminated observations and admits Student-$t$, Laplace, and slash distributions as special cases. We design a partially-collapsed blocked Gibbs sampler that traverses the joint space of orderings, sparsity patterns and continuous parameters. Simulations across $(n,p)$ configurations with $p$ up to several hundreds confirm the theoretical rates and demonstrate substantial gains over graphical-horseshoe, DAG-Wishart, and PC-based competitors under contamination. An application to RNA-seq gene-expression data from \emph{The Cancer Genome Atlas} reveals biologically interpretable regulatory structure that competing methods fail to recover.