論文の概要: sJIVE: Supervised Joint and Individual Variation Explained

• arxiv url: http://arxiv.org/abs/2102.13278v1
• Date: Fri, 26 Feb 2021 02:54:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 23:10:15.630205
• Title: sJIVE: Supervised Joint and Individual Variation Explained
• Title（参考訳）: sjive: 監督ジョイントと個人差の説明
• Authors: Elise F. Palzer, Christine Wendt, Russell Bowler, Craig P. Hersh, Sandra E. Safo, and Eric F. Lock
• Abstract要約: 同一対象データに対する複数ビューであるマルチソースデータの解析は, 生物医学研究においてますます一般的になっている。 本研究では,共有構造(共同)とソース固有構造(個別構造)を同時に識別する手法であるsjive(supervised joint and individual variation explained)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analyzing multi-source data, which are multiple views of data on the same subjects, has become increasingly common in molecular biomedical research. Recent methods have sought to uncover underlying structure and relationships within and/or between the data sources, and other methods have sought to build a predictive model for an outcome using all sources. However, existing methods that do both are presently limited because they either (1) only consider data structure shared by all datasets while ignoring structures unique to each source, or (2) they extract underlying structures first without consideration to the outcome. We propose a method called supervised joint and individual variation explained (sJIVE) that can simultaneously (1) identify shared (joint) and source-specific (individual) underlying structure and (2) build a linear prediction model for an outcome using these structures. These two components are weighted to compromise between explaining variation in the multi-source data and in the outcome. Simulations show sJIVE to outperform existing methods when large amounts of noise are present in the multi-source data. An application to data from the COPDGene study reveals gene expression and proteomic patterns that are predictive of lung function. Functions to perform sJIVE are included in the R.JIVE package, available online at http://github.com/lockEF/r.jive .
• Abstract（参考訳）: 同一対象に関するデータの複数ビューであるマルチソースデータの解析は、分子生物学的研究においてますます一般的になっている。 近年,データソース間の構造や関係を明らかにする手法が試みられ,他の手法ではすべてのソースを用いて結果の予測モデルの構築が試みられている。 しかし、(1)すべてのデータセットが共有するデータ構造のみを検討し、各ソース固有の構造を無視するか、(2)結果に考慮せずに基礎構造を最初に抽出するため、両方の既存の方法は現在制限されている。 本研究では,(1)共有(結合)構造とソース固有(個別)構造を同時に特定し,(2)これらの構造を用いた結果の線形予測モデルを構築することができる,教師付き関節と個人変動説明法(sJIVE)と呼ばれる手法を提案する。 これら2つのコンポーネントは、マルチソースデータのバリエーションの説明と結果の妥協に重きが置かれている。 シミュレーションでは、マルチソースデータに大量のノイズが存在する場合、sJIVEは既存の手法を上回ります。 COPDGene研究のデータへの適用は、肺機能を予測する遺伝子発現およびプロテオミクスパターンを明らかにします。 sJIVE を実行する関数は R.JIVE パッケージに含まれており、http://github.com/lockEF/r.jive でオンラインで入手できる。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Scalable Randomized Kernel Methods for Multiview Data Integration and Prediction [4.801208484529834]
  複数のソースからのデータを協調的に関連づけるスケーラブルなランダム化カーネル手法を開発し、同時に結果を予測するか、ユニットを2つ以上のクラスに分類する。 提案手法は,多視点データにおける非線形関係を,臨床結果の予測とともにモデル化し,ビュー間の関係に最も寄与する変数や変数群を同定する。
  論文  参考訳（メタデータ） (2023-04-10T16:14:42Z)
• Multi-View Independent Component Analysis with Shared and Individual Sources [0.0]
  独立成分分析(Independent component analysis, ICA)は、観測データから独立成分源を線形にアンタングル化するためのブラインドソース分離法である。 我々は,対応する線形構造が識別可能であることを証明し,十分な多様なビューやデータポイントが利用できることを条件として,共有ソースを復元できることを示した。 実測値がノイズによって破損した場合にも,高次元設定で音源を復元することが実証的に示される。
  論文  参考訳（メタデータ） (2022-10-05T08:23:05Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Variational Selective Autoencoder: Learning from Partially-Observed Heterogeneous Data [45.23338389559936]
  本研究では,部分観測された異種データから表現を学習するための変分選択型オートエンコーダ(VSAE)を提案する。 vsaeは、観測データ、観測されていないデータ、およびインプテーションマスクの合同分布をモデル化することで、異種データの潜在依存関係を学習する。 その結果、データ生成や計算を含むさまざまな下流タスクの統一モデルが実現される。
  論文  参考訳（メタデータ） (2021-02-25T04:39:13Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。