Comparison of two inference approaches in Gaussian graphical models

Gaussian grafiksel modelinde iki tahmin yaklaşımının karşılaştırılması

Abstract

Introduction: The Gaussian Graphical Model (GGM) is one of the well-known probabilistic models which is based on the conditional independency of nodes in the biological system. Here, we compare the estimates of the GGM parameters by the graphical lasso (glasso) method and the threshold gradient descent (TGD) algorithm.Methods: We evaluate the performance of both techniques via certain measures such as specificity, F-measure and AUC (area under the curve). The analyses are conducted by Monte Carlo runs under different dimensional systems.Results: The results indicate that the TGD algorithm is more accurate than the glasso method in all selected criteria, whereas, it is more computationally demanding than this method too.Discussion and conclusion: Therefore, in high dimensional systems, we recommend glasso for its computational efficiency in spite of its loss in accuracy and we believe than the computational cost of the TGD algorithm can be improved by suggesting alternative steps in inference of the network

Özet

Giriş ve amaç: Gaussian grafiksel modeli (GGM), biyolojik sistemde düğümlerin koşullu bağımsızlığına dayanan, en çok bilinen olasılık modellerinden biridir. Bu çalışmada, GGM'in parametre tahminlerini grafiksel lasso metodu ve eşik meyil iniş algoritması kullanarak karşılaştırmaktayız.Yöntem ve gereçler: Her iki tekniğin performanslarını belirginlik, F-ölçüsü ve AUC (eğri altında kalan alan) ölçüleri kullanarak değerlendirmekteyiz. Analizler, Monte Carlo simulasyonları ile farklı boyutlardaki sistemler kullanılarak yapılmıştır.Bulgular: Sonuçlar TGD algoritmasının, seçilen bütün kriterler için glasso yöntemine göre daha doğru sonuçlar verdiğini, buna karşın, hesaplama süresi açısından da glasso'ya göre daha uzun zaman gerektirdiğini göstermektedir.Tartişma ve sonuç: Bu nedenle, büyük boyutlu sistemlerde, doğruluktan kaybetmesine rağmen, glasso'yu hesaplamadaki hızından dolayı tavsiye etmekteyiz ve inanıyoruz ki TGD algoritmasının hesaplama maliyeti, sistemin tahmininde, alternatif basamaklar önerilerek iyileştirilebilir