在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定...在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定于父节点的非齐次动态贝叶斯网络(Non-homogeneous dynamic Bayesian networks with noise variance and signal-to-noise parameters specific to the parent node,PS Global coupling NH-DBN)模型。新的模型在RJMCMC迭代过程中,筛选出当前节点的父节点,噪声方差参数和信噪比参数的第二个超参数是基于父节点进行求解的,与之无关的节点信息将不会纳入全局耦合模型中。最终,在真实酵母基因表达数据上的实验结果表明,PS Global coupling NH-DBN模型比其他同类型模型具有更好的网络重构精度。展开更多
文摘在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定于父节点的非齐次动态贝叶斯网络(Non-homogeneous dynamic Bayesian networks with noise variance and signal-to-noise parameters specific to the parent node,PS Global coupling NH-DBN)模型。新的模型在RJMCMC迭代过程中,筛选出当前节点的父节点,噪声方差参数和信噪比参数的第二个超参数是基于父节点进行求解的,与之无关的节点信息将不会纳入全局耦合模型中。最终,在真实酵母基因表达数据上的实验结果表明,PS Global coupling NH-DBN模型比其他同类型模型具有更好的网络重构精度。
