Bayesian Graphical Regression
贝叶斯图回归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：摘要研究基因条件独立图，未明确涉及经济网络、个体间干扰或相应识别问题。
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…
贝叶斯图回归
- 研究问题
- 面对具有个体协变量的异质数据，如何让条件独立结构随协变量变化，并同时获得总体、个体和预测层面的图？
- 方法与思路
- 作者将条件独立或依赖关系建模为协变量函数，使有向图结构灵活变化，同时对边与协变量进行稀疏选择。
- 材料陈述的贡献
- 摘要称模型具有可计算性并提供图选择一致性的理论支持，模拟和多发性骨髓瘤基因调控网络分析展示其应用。
- 阅读关注点
- 核对有向图的统计含义、协变量影响边结构的方式、先验与稀疏选择机制，以及图选择一致性和预测图的定义。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；模型和理论条件未展开，有向条件独立图不能仅凭摘要解释为因果网络。
原文摘要
We consider the problem of modeling conditional independence structures in heterogeneous data in the presence of additional subject-level covariates - termed Graphical Regression. We propose a novel specification of a conditional (in)dependence function of covariates - which allows the structure of a directed graph to vary flexibly with the covariates; imposes sparsity in both edge and covariate selection; produces both subject-specific and predictive graphs; and is computationally tractable. We provide theoretical justifications of our modeling endeavor, in terms of graphical model selection consistency. We demonstrate the performance of our method through rigorous simulation studies. We illustrate our approach in a cancer genomics-based precision medicine paradigm, where-in we explore gene regulatory networks in multiple myeloma taking prognostic clinical factors into account to obtain both population-level and subject-level gene regulatory networks.