[论文解读] High-dimensional Graphical Model Search with gRapHD R Package

Gabriel C. G. de Abreu, Rodrigo Labouriau+1 more|arXiv (Cornell University)|Sep 7, 2009

Data Visualization and Analytics参考文献 18被引用 14

一句话总结

本论文介绍了 gRapHD R 包，该包利用信息准则（AIC/BIC）实现对高维图模型的高效选择，以识别数据中离散、连续或混合变量的最优森林模型与可分解模型。该工具支持在大规模网络中进行条件独立结构的可扩展推断，已在基因表达、SNP 和形态学数据中得到验证，支持复杂图的可视化与结构分析。

ABSTRACT

This paper presents the R package gRapHD for efficient selection of high-dimensional undirected graphical models. The package provides tools for selecting trees, forests and decomposable models minimizing information criteria such as AIC or BIC, and for displaying the independence graphs of the models. It has also some useful tools for analysing graphical structures. It supports the use of discrete, continuous, or both types of variables simultaneously.

研究动机与目标

• 解决在高维数据（变量数量众多）中拟合图模型所面临的计算与统计挑战。
• 提供一种高效、可扩展的方法，利用信息准则选择无向图模型——特别是森林与可分解模型。
• 在基因组学与系统生物学中常见的高维环境中，支持混合类型数据（离散、连续或两者兼有）的建模。
• 实现从高维数据中对复杂条件独立图进行可视化与结构分析。
• 为现有方法提供一种计算高效的替代方案，尤其适用于稀疏图模型。

提出的方法

• 该包使用 minForest 函数通过最小化信息准则（AIC 或 BIC）来搜索最优森林模型。
• stepw 函数在相同准则下执行逐步搜索，以确定最优可分解图模型。
• 图模型以无向图表示，边表示条件依赖，边的缺失则表示在给定其他变量条件下条件独立。
• 该包通过使用适当的指数族分布和条件独立结构，支持混合数据类型。
• 采用 [14] 布局算法进行图可视化，支持自定义顶点着色、标签设置以及子结构高亮。
• 结构分析函数如 shortPath 和连通分量检测可识别图中的最短路径与连通分量。

实验结果

研究问题

• RQ1 当变量数量超过样本量时，如何高效地选择高维图模型？
• RQ2 基于信息准则的模型选择方法（AIC/BIC）在高维环境中识别稀疏图模型的性能如何？
• RQ3 在无向图框架中，如何联合建模混合类型数据（连续与离散变量）？
• RQ4 在真实生物数据中，高维条件独立图的结构特性（如直径、连通分量分布）是什么？
• RQ5 尽管存在高维性与计算限制，如何有效可视化与探索复杂图模型？

主要发现

• gRapHD 包成功在涉及 1,545 个探针的牙周炎数据中识别出基因共表达网络，模型直径为 46，最长最短路径为 26。
• 在 HapMap SNP 数据（606 个 SNP）中，该算法检测到一个具有多个连通分量的可分解模型，其中最大连通分量包含 79 个顶点。
• 该包在 Iris 数据集中识别出一个混合图模型，成功捕捉了连续测量值与物种类别之间的条件独立结构。
• shortPath 函数显示，牙周炎网络中顶点 670 有 20 个直接邻居，到最远节点的最大距离为 26。
• 可视化函数可有效高亮特定节点及其邻域，例如将 1,123 和 670 号枢纽节点及其各自 10 邻域分别以红色和蓝色高亮显示。
• 该包在高维数据上表现出良好的可扩展性，计算性能在稀疏模型下表现良好，但由于数值限制，目前最多支持 65,000 个变量。