基于基因表达和基因突变数据的基因网络重布线的方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 引言 | 第9-14页 |
| 1.1 问题引入 | 第9-11页 |
| 1.1.1 医学问题 | 第9-10页 |
| 1.1.2 机器学习问题 | 第10-11页 |
| 1.2 本文的研究动机 | 第11-12页 |
| 1.3 本文的贡献与创新点 | 第12页 |
| 1.4 组织结构 | 第12-13页 |
| 1.5 符号说明 | 第13-14页 |
| 第二章 基本概念 | 第14-24页 |
| 2.1 马尔科夫网络 | 第14-16页 |
| 2.1.1 高斯图模型 | 第14-15页 |
| 2.1.2 伊辛模型 | 第15-16页 |
| 2.2 变量稀疏化的多种方法 | 第16-19页 |
| 2.2.1 变量选择重要性 | 第16-17页 |
| 2.2.2 Lasso提出背景以及应用 | 第17-18页 |
| 2.2.3 Bridge惩罚项 | 第18页 |
| 2.2.4 Group Bridge | 第18-19页 |
| 2.3 差异网络估计模型 | 第19-21页 |
| 2.3.1 图Lasso模型 | 第19页 |
| 2.3.2 混合图Lasso模型 | 第19-20页 |
| 2.3.3 Dtrace模型 | 第20页 |
| 2.3.4 密度比模型 | 第20-21页 |
| 2.4 优化算法 | 第21-24页 |
| 2.4.1 局部线性逼近算法 | 第21-22页 |
| 2.4.2 近端梯度算法 | 第22-24页 |
| 第三章 基因网络重布局模型 | 第24-31页 |
| 3.1 基因网络重布局模型 | 第24-27页 |
| 3.1.1 损失函数的选择 | 第25页 |
| 3.1.2 惩罚项的构造 | 第25-27页 |
| 3.1.3 模型小结 | 第27页 |
| 3.2 算法 | 第27-29页 |
| 3.2.1 关于GNRM的局部线性逼近算法 | 第27-28页 |
| 3.2.2 关于GNRM子问题的加速近端梯度算法 | 第28-29页 |
| 3.3 调优参数的选择 | 第29-31页 |
| 第四章 实验数据分析 | 第31-40页 |
| 4.1 模拟实验数据分析 | 第31-34页 |
| 4.1.1 实验设计 | 第31-32页 |
| 4.1.2 模拟实验评价标准 | 第32-33页 |
| 4.1.3 模拟实验结果 | 第33-34页 |
| 4.2 真实数据的应用 | 第34-40页 |
| 4.2.1 卵巢癌数据的获取 | 第35-36页 |
| 4.2.2 实验结果分析 | 第36-38页 |
| 4.2.3 真实数据的对比实验 | 第38-40页 |
| 第五章 总结 | 第40-41页 |
| 参考文献 | 第41-49页 |
| 致谢 | 第49页 |
