Bayesian multiplicity control for multiple graphs
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 discuss inference for graphical models as a multiple comparison problem. We argue that posterior inference under a suitable hierarchical model can adjust for the multiplicity problem that arises by deciding inclusion for each of many possible edges. We show that inference under that hierarchical model differs substantially from inference under a comparable non‐hierarchical model. With increasing size of the graph the difference between posterior distributions under the two models, as measured by Kullback–Liebler (KL) divergence, increases. We discuss several stylized inference problems, including estimation of one graph, comparison of a pair of graphs, estimation of a pair of graphs and, finally, estimation for multiple graphs. Throughout the discussion we assume that the graph is used to identify a conditional independence structure, that is, the graph represents a Markov random field. Model construction starts with a prior model for the random graph, conditional on which a sampling model is proposed for the observed data. There are no constraints on the nature of the sampling model. Most of the discussion is general and remains valid for any sampling model, subject to some technical constraints only. The discussion is motivated by two case studies. The first application is to model single cell mass spectrometry data for inference about the joint distribution of a set of markers that are recorded for each cell. Another application is to model Reverse Phase Protein Arrays (RPPA) protein expression data, for inference about changes of underlying biomolecular pathways across three biologic conditions of interest. The Canadian Journal of Statistics 45: 44–61; 2017 © 2017 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 | 0,029 |
| 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 | 0,001 | 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