其次,引入代理函数来近似NARD的目标函数。代理函数通过简化优化目标,近似原对数边缘似然的下界,有效避免了矩阵求逆操作,使得计算更高效。最后通过综合顺序迭代算法与代理函数优化的优势,结合顺序更新的局部特征处理能力和代理函数的计算简化,最终得到的Efficient NARD能在高维数据上进一步减少计算负担。
这些改进显著降低了计算复杂度,使NARD在高维数据集上更具可扩展性和高效性,为大规模稀疏网络建模提供了强有力的支持。
该算法在多个应用场景中展现了出色的性能,在大规模表型数据中,通过分析基因表达数据,识别表型与生物标志物的关联网络,均方误差(MSE)降低10%,决定系数(R²)提高15%,识别的生物标志物与已知生物学通路高度一致,具有显著生物学意义。此外NARD算法在TCGA癌症数据、空气污染数据、金融数据等多类数据中均表现出良好的性能,验证了其在不同领域的广泛适用性。