論文の概要: Variational Bayes for high-dimensional proportional hazards models with applications to gene expression variable selection

• arxiv url: http://arxiv.org/abs/2112.10270v1
• Date: Sun, 19 Dec 2021 22:10:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 03:35:30.937701
• Title: Variational Bayes for high-dimensional proportional hazards models with applications to gene expression variable selection
• Title（参考訳）: 高次元比例ハザードモデルのための変分ベイズと遺伝子発現変数選択への応用
• Authors: Michael Komodromos, Eric Aboagye, Marina Evangelou, Sarah Filippi, Kolyan Ray
• Abstract要約: 本研究では,高次元生存データに対する予測と変動選択のための変分ベイズ比例ハザードモデルを提案する。 本手法は,平均場変動近似に基づいて,MCMCの高計算コストを克服する。 提案手法は,生存率を検閲した2つのトランスクリプトームデータセット上で,変数選択にどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 3.8761064607384195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a variational Bayesian proportional hazards model for prediction and variable selection regarding high-dimensional survival data. Our method, based on a mean-field variational approximation, overcomes the high computational cost of MCMC whilst retaining the useful features, providing excellent point estimates and offering a natural mechanism for variable selection via posterior inclusion probabilities. The performance of our proposed method is assessed via extensive simulations and compared against other state-of-the-art Bayesian variable selection methods, demonstrating comparable or better performance. Finally, we demonstrate how the proposed method can be used for variable selection on two transcriptomic datasets with censored survival outcomes, where we identify genes with pre-existing biological interpretations.
• Abstract（参考訳）: 本研究では,高次元生存データに対する予測と変動選択のための変分ベイズ比例ハザードモデルを提案する。 提案手法は平均場変分近似に基づいて, 有用な特徴を保持しつつ高い計算コストを克服し, 優れた点推定を提供し, 後方包含確率による変数選択の自然なメカニズムを提供する。 提案手法の性能を広範囲なシミュレーションにより評価し,他のベイズ変数選択法と比較し,同等あるいは優れた性能を示す。 最後に,本手法は,既存の生物学的解釈を用いた遺伝子同定を行う2つのトランスクリプトミクスデータセット上での可変選択に有用であることを示す。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Copula Entropy based Variable Selection for Survival Analysis [2.3980064191633232]
  本稿では,コピュラエントロピー(CE)に基づく変数選択法を生存分析に適用することを提案する。 その考え方は、変数とCEとの時間と時間との相関を測り、CE値に従って変数を選択することである。
  論文  参考訳（メタデータ） (2022-09-04T08:14:07Z)
• Bayesian Variable Selection in a Million Dimensions [7.366246663367533]
  提案手法では, 繰り返し毎のコストが P のサブ線形である効率的な MCMC スキームを導入する。 本稿では,このスキームを一般線形モデルに拡張してカウントデータに適用する方法について述べる。 実験では、癌やトウモロコシゲノムデータを含む方法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-08-02T00:11:15Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• Fast Bayesian Variable Selection in Binomial and Negative Binomial Regression [9.774282306558465]
  本稿では,二項回帰および負二項回帰における変数選択のための効率的なMCMCスキームを導入し,ロジスティック回帰を特別な事例として活用する。 実験では、17万の共変量を持つデータを含む、我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-28T20:54:41Z)
• Variable selection with missing data in both covariates and outcomes: Imputation and machine learning [1.0333430439241666]
  欠落したデータ問題は、健康研究で普遍的です。 機械学習はパラメトリックな仮定を弱める。 XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-04-06T20:18:29Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)
• Interpretable random forest models through forward variable selection [0.0]
  損失関数としてCRPS(Continuous Rank probability score)を用いた前方変数選択法を開発した。 本手法のオランダにおける日次最大気温予測の統計的後処理への応用を実証する。
  論文  参考訳（メタデータ） (2020-05-11T13:56:49Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。