A sequential scaled pairwise selection approach to edge detection in nonparanormal graphical models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We deal with the problem of edge detection in high‐dimensional nonparanormal graphical models. A nonparanormal graphical model is first transformed into a Gaussian graphical model. Then a sequential scaled pairwise selection (SSPS) method which we propose is applied to the transformed model. The SSPS method is a neighbourhood detection approach which makes use of conditional regression models. First the response vector in each individual conditional regression model is scaled, then the response vectors are pooled together to form a single model. The features in this single model are selected pairwise by a sequential procedure, which reflects the intrinsic symmetry of the edges. At each step of the procedure, the current residual vector is projected into the space spanned by each pair of columns of the design matrix which correspond to the symmetric edges, and the selected set of edges is then augmented by the pair with the largest projection norm. The extended BIC (EBIC) is used as the stopping rule for the sequential procedure. The selection consistency of the SSPS method is established. Simulation studies and the analysis of a real data set are carried out to compare the SSPS method with other existing methods. The simulation studies demonstrate that the SSPS method outperforms the other methods. In addition, the SSPS method is computationally more appealing. The Canadian Journal of Statistics 44: 25–43; 2016 © 2016 Statistical Society of Canada
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle