Dados do Trabalho

Título

ESTIMANDO REDES GAUSSIANAS COM DADOS EM ALTA DIMENSAO UTILIZANDO CORRELAÇAO PARCIAL LOCAL

Resumo

Diversos métodos têm sido propostos para a reconstrução de redes Gaussianas com dados
em alta dimensão, isto é, em que a quantidade de variáveis ou nós da rede é maior que a
quantidade da amostra. Neste trabalho analisamos três métodos diferentes para recuperação de
redes a partir de dados com essa caracterı́stica. Utilizamos o método conhecido como Graphical
Lasso, que aplica processos de regularização baseados no LASSO, o método Graphical Ridge,
que utiliza a regularização Ridge e um novo método que vamos apresentar, chamado LPC (Local
Partial Correlation), ou Correlação Parcial Local. A avaliação foi realizada em dados gerados
a partir de redes aleatórias (Erdös-Renyi, Barabási-Albert, Watts-Strogatz ), em que usamos
o Receptor de Operação Caracterı́stica, ou curva ROC, como medida de comparação para as
redes recuperadas. Também aplicamos os métodos apresentados na reconstrução da rede de
co-expressão gênica com dados provenientes de tumores de câncer cervical

Palavras-chave

Reconstrução de Redes, Regularização, redes Gaussianas, Correlação Parcial

Área

Dados Funcionais, Dados em Alta Dimensão e Aprendizado Estatístico de Máquinas