R言語 CRAN Task View：Rグラフィカルモデル

CRAN Task View: Graphical Modelsについて、機械翻訳を交えて日本語化し掲載しております。

概要

Maintainer:	Soren Hojsgaard
Contact:	sorenh at math.aau.dk
Version:	2023-04-05
URL:	https://CRAN.R-project.org/view=GraphicalModels
Source:	https://github.com/cran-task-views/GraphicalModels/
Contributions:	このタスクビューに対する提案や改良は、GitHubのissueやpull request、またはメンテナのアドレスに電子メールで送ってください。詳しくはContributing guideをご覧ください。
Installation:	このタスクビューのパッケージは、ctvパッケージを使用して自動的にインストールすることができます。例えば、ctv::install.views(“GraphicalModels”, coreOnly = TRUE)は全てのコアパッケージをインストールし、ctv::update.views(“GraphicalModels”)はまだインストールしていない全てのパッケージと最新のものをインストールします。詳しくはCRAN Task View Initiativeを参照してください。

Wikipediaにはこうあります。

グラフモデル、確率的グラフモデル（PGM）、構造化確率モデルとは、確率変数間の条件付き依存構造をグラフで表現した確率モデルです。確率論、統計学（特にベイズ統計学）、機械学習でよく用いられます。

補足すると、グラフィカルモデルは、条件付き独立性を利用して、モジュール構造を持つ複雑な確率モデルを構築することを基本としています。すなわち、複雑な確率モデルは、より単純な構成要素によって構築されます。

このタスクビューは、グラフィカルなモデルを扱うためのRコードを提供することを目的としたパッケージの集合体です。

パッケージは大まかに以下のようなトピックに分類されます（ただし、いくつかのパッケージはこれらのカテゴリにまたがる機能を備えています）。

表現、操作、グラフの表示

• backbone：非重み付き一部分グラフ、重み付き一部分グラフ、非重み付き二部分グラフの投影、または重み付き二部分グラフの投影から、非重み付き一部分グラフ（すなわちバックボーン）を抽出する方法の実施態様。
• diagram：シンプルな遷移行列に基づくグラフ（ネットワーク）、フロー図をプロットするためのユーティリティ、可視化ウェブ、電気ネットワークを視覚化
• DiagrammeR：Rを使用してグラフダイアグラムとフローチャートを作成
• graph：いくつかの簡単なグラフ処理機能を実装したパッケージ。
• gRbase：gRbaseパッケージは、他のグラフィカルなモデリングパッケージで使用される特定の一般的な構築物を提供する。これは、1）gmData（グラフィカルメタデータ）の概念、2）いくつかのグラフアルゴリズム3）テーブル操作のための施設、4）条件付き独立のためのテスト用の関数が含まれています。gRbaseは、階層対数線形モデル（hllm）を実施することができる方法を示しています。
• igraph：簡単なグラフのルーチン、ネットワーク分析。
• network：ネットワーク・オブジェクトを作成および変更するためのツール。ネットワーククラスは、リレーショナル・データ・タイプの範囲を表しており、任意の頂点/エッジ/グラフ属性をサポートすることができます。
• qgraphは、重み付きネットワークの視覚化と分析、およびガウスのグラフィカルモデル計算を提供します。Epskampら（2012）を参照してください。doi:10.18637/jss.v048.i04
• Rgraphviz：Rグラフオブジェクト用のプロット機能を提供します。
• RBGL：Boostライブラリに含まれるグラフアルゴリズムにかなり広範で包括的なインタフェース。（グラフパッケージからのグラフオブジェクトに基づいて）。

クラシックモデル汎用パッケージ

• ggm：フィッティンググラフィカルガウスモデル。
• gRbase：gRbaseパッケージには、（特にgRainによって）他のグラフィカルなモデリングパッケージで使用される特定の一般的な構築物を提供する。これは、1）gmData（グラフィカルメタデータ）の概念、2）いくつかのグラフアルゴリズム3）テーブル操作のための施設、4）条件付き独立のためのテスト用の関数が含まれています。gRbaseは、階層対数線形モデル（hllm）を実施することができる方法を示しています。リンク：doi:10.18637/jss.v014.i17
• snaは、ノードおよびグラフレベルのインデックス、構造距離および共分散法、構造的等価性検出、ネットワーク回帰、ランダムグラフ生成、2D / 3Dネットワーク視覚化など、ソーシャルネットワーク分析のためのさまざまなツールを提供します。
• mgmは、弾性ネット正則化された近傍回帰を介して、kオーダー時変混合グラフィカルモデルおよび混合VAR（p）モデルの推定を提供します。

その他：モデルなどのモデルを検索する、特殊な型

• abn：Additive Bayesian Networksによる多変量データのモデリング。加法ベイズネットワークモデルは、各ノードが一般化線形モデル（GLM）を構成するDAGの一形態で構成されています。加法ベイズネットワークモデルは、グラフィカルモデリングを用いたベイズ多変量回帰に相当し、通常の多変量回帰であるGLMを複数の従属変数に一般化します。「abn」は、与えられたデータセットに対して最適なベイジアンネットワークモデルを決定するためのルーチンを提供し、これらのモデルは、乱雑で複雑なデータにおける統計的依存関係を特定するために使用されます。
• BDgraph:出生死亡MCMCアプローチに基づくベイズグラフの選択。無向グラフィカルモデルにおける構造学習のためのベイズ推定。メインターゲットは、多変量データ特徴、連続または離散変数に複雑なパターンを明らかにすることです。
• bnclassifyは、データから学習離散ベイジアンネットワーク分類子を提供します。データから離散ベイジアンネットワーク分類子を学習するための最新のアルゴリズムです。予測、モデル評価、検査のための機能を備えたBielza and Larranaga（2014）に記載されているものを含みます。このパッケージは、識別および生成の両方のネットワークスコア、およびモデル平均ナイーブベイズなどのナイーブベイズ固有のパラメーター推定方法を備えた、多数の構造学習アルゴリズムを実装しています。完全なデータを使用した予測はかなり高速であり、中程度のサイズのデータセット（たとえば、マシン上の〜100秒で61変数と3190インスタンスを含むスプライスデータセット）を使用した構造学習の判別スコアが可能です。相互検証など、多くのユーティリティ機能があります。
• bnstruct：欠損値を有するデータから学習するベイジアンネットワーク構造。 このパッケージは、Silander-Myllymakiの完全検索、Max-Minの親子関係、Hill-Climbing、Max-Min Hill-climbingヒューリスティック検索、Structural Expectation-Maximizationアルゴリズムを実装しています。 利用可能なスコアリング機能は、BDeu、AIC、BICです。 パッケージはまた、ブートストラップサンプル、帰属データ、推論を生成して使用するためのメソッドを実装します。
• deal：混合変数を持つベイジアンネットワークの学習 連続変数や離散変数を持つベイジアンネットワークをデータから学習し比較することができます。
• FBFsearch：モーメントフラクショナルベイズ因子を介してガウス非循環グラフィカルモデルの空間を検索するためのアルゴリズム
• GeneNet：モデリングと遺伝子ネットワークの推論。GeneNetは、遺伝子ネットワークの推論を中心とした遺伝子発現（時系列）のデータを分析するためのパッケージです。
• gRc：辺と頂点の対称性を持つグラフィカルガウスモデルにおける推論、辺と頂点の対称性を持つグラフィカルガウスモデル（Graphical Gaussian models with colors）における推定、モデル選択、その他の統計的推論の側面。
• gRim：グラフィカル・インタラクション・モデル。以下の種類のモデルを提供します： 分割表のモデル（対数線形モデル） 多変量正規データのグラフィカルガウスモデル（共分散選択モデル） 混合相互作用モデル。
• huge：高次元無向グラフ推定。
• lvnet：潜在変数ネットワークモデリング。 OpenMxを使用して構造方程式モデル（SEM）とネットワークモデル（Gaussian Graphical Models; GGM）を見積もり、適合させ、比較する。 SEMにGGMを含めることを可能にする2つの一般化を可能にする：GGMは、潜在変数（潜在的ネットワークモデリング; LNM）または残差（残存ネットワークモデリング; RNM）の間で使用することができます。
• MXM：特徴選択（複数解を含む）、ベイジアンネットワーク。
• networkDynamic：ネットワークオブジェクトの動的拡張。時間をかけてその変更を属性アニメーション映画やリレーショナル構造とノードの他の表現として「networkDynamic」オブジェクトから動的なネットワークデータをレンダリングします。
• ndtv：ネットワーク・ダイナミック・テンポラル・ビジュアライゼーション）。「networkDynamic」オブジェクトの動的なネットワークデータを、ムービー、インタラクティブなアニメーション、または変化する関係構造や属性の他の表現としてレンダリングします。
• pcalg：PC-アルゴリズムを介して有向非循環グラフ（DAG）の同値類とスケルトン（ugraph）の推定を標準とロバスト。等価クラスは、その（一意）が完了部分有向非巡回グラフ（CPDAG）で表されます。
• qp：このパッケージは非推奨で、それは今バイオコンダクタープロジェクトを通じて利用qpgraph呼ばれる新しいバージョンのための唯一のスタブです。略してQ階偏相関グラフ探索アルゴリズム、Q-部分、またはQP、アルゴリズムは「小さなN、大きいP」のデータから無向ガウスグラフィカルマルコフモデルの構造学習のための堅牢な手順です。それは、p多次元データ点の数よりも大きいnは、例えば、マイクロアレイデータの場合と同様に、確率変数の番号からの多変量正規データです。
• qpgraph：Q次の部分相関グラフ、あるいは略してQP-グラフはQ次の部分的な相関を表す無向ガウスグラフィカルマルコフモデルです。彼らは、ランダム変数pの数は、それらが分子の調節ネットワークをリバースエンジニアリングするために使用することができるマイクロアレイデータの場合のインスタンスのような利用可能なサンプルサイズnを超えるデータセットから無向グラフィカルガウスマルコフモデルを学習するために有用です。
• spectralGraphTopology：本パッケージは、ラプラシアンと隣接行列の固有値と固有ベクトルにスペクトル制約を課すことで、データからk成分、2部構成、およびk成分2部構成のグラフを学習する推定器を提供します。これらの推定器は、事前情報としてグラフモデルのスペクトル特性を利用しており、コミュニティ検出などの教師なし機械学習タスクにおいて重要な役割を果たすことが判明しました。

ベイジアンネットワーク/確率的エキスパートシステム

• bnlearn：制約ベース（これも「条件付独立」とも呼ばれる）とスコアベースのアルゴリズムを経由して、ベイジアンネットワーク構造学習。このパッケージは、多くのスコア関数と条件付き独立テストと一緒に離散とガウス両方のネットワークのためのHill-Climbing(HC)貪欲な検索アルゴリズム、Max-Min Parents and Children (MMPC) 、Fast-IAMB (Fast-IAMB) アルゴリズム、InterleavedIAMB(Inter-IAMB) アルゴリズム、Incremental Association (IAMB) アルゴリズム、Grow-Shrink (GS) アルゴリズムを実装する。いくつかのユーティリティ関数（モデル比較と操作、ランダムデータの生成、アークの方向性試験）も含まれています。
• gRain：確率的エキスパートシステム（特別な場合として、ベイジアンネットワークを含む）としても知られているグラフィカル独立ネットワークにおける確率伝播のためのパッケージ。リンク：doi:10.18637/jss.v046.i10
• RHugin：Huginは決定エンジン（HDE）は、ベイジアン信念ネットワークから推論を構築し、作るためのHUGIN EXPERT A / Sによって生成される商用ソフトウェアです。RHuginパッケージには、HDEが統計計算のためのR環境内から制御することを可能にする機能のスイートを提供しています。RHuginパッケージは、このように、ベイジアン信念ネットワークを構築入力し証拠を伝播し、信念を取得するために使用することができます。さらに、RHuginパッケージは読むことができ、それが簡単にRHuginパッケージとHuginはGUIの両方で同時に作業すること、HKBおよびNETファイルを書き込みます。HDE（または試用版）のライセンスコピーを関数にRHuginパッケージのために必要とされ、パッケージのそれ故にターゲットオーディエンスは、Rの統計とプログラムによる機能を利用したいと思いますHuginはユーザーであります。RHuginはCRANではありません。Link:http://rhugin.r-forge.r-project.org/

BUGSモデル

• bayesmix：JAGSを使用して単変量ガウス分布のベイズ混合モデル。
• dclone：最尤法のデータクローニングとMCMCツール。JAGS、WinBUGSおよびOpenBUGSをサポートするベイジアンマルコフ連鎖モンテカルロ法とデータクローニングを用いて、複雑なモデルのための手順を推定する最尤を実装するための低レベルの機能。並列のMCMC計算がサポートされており、かなりのスピードアップにつながることができます。
• boa：MCMCのためのベイズ出力分析プログラム（BOA）。収束診断とマルコフ連鎖モンテカルロサンプリング出力の統計とグラフ解析を行うためのメニュー方式のプログラムと機能のライブラリ。
• BRugs：OpenBUGS MCMCソフトウェアへのRインタフェース。MCMCサンプリングを使用して、ベイジアン解析用OpenBUGSソフトウェアに完全にインタラクティブなRインタフェース。Windowsで32ビットのRでネイティブに、安定して動作します。Linux上およびWindowsで64ビットのRで実行されているバージョンは、「ベータ」の状態とあまり効率的です。
• coda：出力分析およびMCMCの診断。出力分析およびマルコフ連鎖モンテカルロシミュレーションの診断。
• ergm：ネットワーク用指数ファミリーモデルをフィット、シミュレート、診断。指数関数ファミリーランダムグラフモデル（ERGM）に基づいてネットワークを分析し、シミュレートするためのツールの統合セット。「ergm」はネットワーク分析のためのパッケージstatnetスイートの一部です。
• R2OpenBUGS：Rから実行しているOpenBUGS。このパッケージを使用して、それは、バグモデルを呼び出すには、表とグラフに推論し、収束を要約して、Rの容易なアクセスのために、配列内のシミュレーションを節約することが可能です。
• R2WinBUGS：R / S-PLUSからWinBUGSソフトウエアおよびOpenBUGSを実行している。このパッケージを使用して、それは、バグモデルを呼び出すには、表とグラフに推論し、収束を要約して、R / S-Plusで簡単にアクセスできるように配列内のシミュレーションを節約することが可能である。S-PLUSでは、openbugs機能とWindowsのエミュレーション機能はまだ使用できません。
• rjags：MCMCを使ったベイズグラフィカルモデル。JAGS MCMCライブラリへのインタフェース。