Estimating large covariance matrix with network topology for high-dimensional biomedical data

تعاملات بین ویژگی های داده های زیست پزشکی با ابعاد بزرگ اغلب ساختارهای توپولوژیکی شبکه پیچیده و سازمان یافته، با این حال پنهان هستند. برآورد ماتریس کوواریانس بزرگ ناقص از این داده های زیست پزشکی با ابعاد بزرگ در حالی که حفظ و به رسمیت شناختن توپولوژی شبکه های پنهان شده چالش برانگیز است. یک روش دو مرحلهای پیشنهاد شده است که ابتدا ساختارهای توپولوژیک شبکه های پنهان را از ماتریس همبستگی نمونه با استفاده از بهینه سازی جریمه جدید شناسایی کرده و سپس با استفاده از اطلاعات توپولوژیکی شبکه شناسایی شده، ماتریس کوواریانس را مرتفع می کند. توپولوژی شبکه هدایت تنظیم می تواند به طور همزمان کاهش منفی کاذب مثبت و کاذب منفی را کاهش دهد، زیرا به لبه ها اجازه می دهد دقیقا از قدرت یکدیگر را قرض بگیرند. نمونه های تجربی داده ها نشان می دهد که ساختارهای توپولوژیک شبکه های پنهان سازماندهی شده به طور گسترده در داده های زیست پزشکی گسترده در سراسر سیستم عامل ها وجود دارد و شناسایی این ساختارهای شبکه می تواند به طور موثر بهبود ماتریس تخمین کوواریانس و درک روابط تعاملی بین ویژگی های زیست پزشکی.