Inférence jointe de la structure de modèles graphiques gaussiens

Résumé : Le modèle graphique gaussien est un formalisme de travail bien adapté à la représentation de dépendances entre variables. Récemment, ce modèle a été l'objet de nombreuses études visant à la découverte de réseaux de régulation protéique ou génique. La littérature considère le cas où un seul réseau est inféré à partir d'un jeux de données. Cependant, les mesures d'expression de gènes étant peu nombreuses, il est d'usage courant de réunir plusieurs conditions expérimentales affectant les interactions entre protéines ou gènes, pour construire un seul jeu de donnée de plus grande taille. Dans cet article, nous proposons d'estimer un modèle graphique gaussien par condition expérimentale. Ces modèles sont estimés simultanément, en imposant une contrainte de régularité traduisant la proxi mité entre tâches. Nous explorons deux formes d'expression de cette contrainte : un a priori empirique sur les valeurs des corrélations partielles, et une pénalité visant à favoriser la découverte de réseaux similaires. Nous montrons l'intérêt de ces approches par une évaluation quantitative des performances sur des données simulées et réelles.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-00936741
Contributor : Yves Grandvalet <>
Submitted on : Monday, January 27, 2014 - 1:05:45 PM
Last modification on : Wednesday, July 4, 2018 - 4:44:02 PM

Identifiers

  • HAL Id : hal-00936741, version 1

Collections

Citation

Julien Chiquet, Yves Grandvalet, Christophe Ambroise. Inférence jointe de la structure de modèles graphiques gaussiens. CAp'2010, May 2010, France. pp.217-232. ⟨hal-00936741⟩

Share

Metrics

Record views

212