High-Dimensional Covariate-Dependent Gaussian Graphical Models
We propose a covariate-dependent Gaussian graphical model (cdexGGM) for capturing network structure that varies with covariates through a novel parameterization. Utilizing a likelihood framework, our methodology jointly estimates all dynamic edge and vertex parameters. We further develop statistical inference procedures to test the dynamic nature of the underlying network. Concerning large-scale networks, we perform composite likelihood estimation with an L1 penalty to discover sparse dynamic network structures. We establish the estimation error bound in L2 norm and validate the sign consistency in the high-dimensional context. We apply our method to an influenza vaccine data set to model the dynamic gene network that evolves with time. We also investigate a Down syndrome data set to model the dynamic protein network which varies under a factorial experimental design.
Modèles graphiques gaussiens de grande dimension dépendant des covariables
Nous proposons un modèle graphique gaussien dépendant des covariables (cdexGGM) pour saisir la structure du réseau qui varie en fonction des covariables grâce à une nouvelle paramétrisation. En utilisant un cadre de vraisemblance, notre méthodologie estime conjointement tous les paramètres dynamiques des arêtes et des sommets. Nous développons ensuite des procédures d’inférence statistique pour tester la nature dynamique du réseau sous-jacent. En ce qui concerne les réseaux à grande échelle, nous procédons à une estimation composite de la vraisemblance avec une pénalité L1 pour découvrir les structures dynamiques éparses du réseau. Nous établissons la limite de l’erreur d’estimation dans la norme L2 et validons la cohérence du signe dans un contexte de grande dimension. Nous appliquons notre méthode à un ensemble de données sur le vaccin contre la grippe pour modéliser le réseau génétique dynamique qui évolue avec le temps. Nous étudions également un ensemble de données sur le syndrome de Down pour modéliser le réseau dynamique de protéines qui varie dans le cadre d’un plan d’expérience factoriel.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais