Transfer Learning in Large-Scale Gaussian Graphical Models with False Discovery Rate Control
具有错误发现率控制的大规模高斯图模型迁移学习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：摘要直接研究高斯图模型中的网络估计与边检测，具有网络方法依据；基因网络应用并不支持进一步归为经济干扰或因果网络。
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
具有错误发现率控制的大规模高斯图模型迁移学习
- 研究问题
- 如何借助相近辅助研究的数据，提高目标高斯图模型的估计效率，并在图边检测中提供渐近推断与错误发现率控制？
- 方法与思路
- 作者以散度矩阵稀疏性刻画图间相似度，提出 Trans-CLIME；再用通用一步去偏构造逐元素推断和图边多重检验。
- 材料陈述的贡献
- 摘要称迁移估计快于单任务极小极大速率，去偏估计逐元素渐近正态；模拟与脑组织基因网络应用显示预测和检验表现改善。
- 阅读关注点
- 应核对辅助图相似性的定义与使用方式、迁移速率的参数范围，以及一步去偏、渐近正态和 FDR 控制各自需要的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；图间相似与推断条件未说明，不能外推至不相关辅助数据或保证有限样本 FDR。
原文摘要
Transfer learning for high-dimensional Gaussian graphical models (GGMs) is studied. The target GGM is estimated by incorporating the data from similar and related auxiliary studies, where the similarity between the target graph and each auxiliary graph is characterized by the sparsity of a divergence matrix. An estimation algorithm, Trans-CLIME, is proposed and shown to attain a faster convergence rate than the minimax rate in the single-task setting. Furthermore, we introduce a universal debiasing method that can be coupled with a range of initial graph estimators and can be analytically computed in one step. A debiased Trans-CLIME estimator is then constructed and is shown to be element-wise asymptotically normal. This fact is used to construct a multiple testing procedure for edge detection with false discovery rate control. The proposed estimation and multiple testing procedures demonstrate superior numerical performance in simulations and are applied to infer the gene networks in a target brain tissue by leveraging the gene expressions from multiple other brain tissues. A significant decrease in prediction errors and a significant increase in power for link detection are observed.