論文の概要: Sparse high-dimensional linear mixed modeling with a partitioned
empirical Bayes ECM algorithm
- arxiv url: http://arxiv.org/abs/2310.12285v1
- Date: Wed, 18 Oct 2023 19:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 18:07:52.843058
- Title: Sparse high-dimensional linear mixed modeling with a partitioned
empirical Bayes ECM algorithm
- Title(参考訳): 分割型経験的ベイズECMアルゴリズムによる疎高次元線形混合モデリング
- Authors: Anja Zgodic, Ray Bai, Jiajia Zhang, Alexander C. McLain
- Abstract要約: この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。
このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。
実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
- 参考スコア(独自算出の注目度): 46.90004892029972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-dimensional longitudinal data is increasingly used in a wide range of
scientific studies. However, there are few statistical methods for
high-dimensional linear mixed models (LMMs), as most Bayesian variable
selection or penalization methods are designed for independent observations.
Additionally, the few available software packages for high-dimensional LMMs
suffer from scalability issues. This work presents an efficient and accurate
Bayesian framework for high-dimensional LMMs. We use empirical Bayes estimators
of hyperparameters for increased flexibility and an
Expectation-Conditional-Minimization (ECM) algorithm for computationally
efficient maximum a posteriori probability (MAP) estimation of parameters. The
novelty of the approach lies in its partitioning and parameter expansion as
well as its fast and scalable computation. We illustrate Linear Mixed Modeling
with PaRtitiOned empirical Bayes ECM (LMM-PROBE) in simulation studies
evaluating fixed and random effects estimation along with computation time. A
real-world example is provided using data from a study of lupus in children,
where we identify genes and clinical factors associated with a new lupus
biomarker and predict the biomarker over time.
- Abstract(参考訳): 高次元の縦断データは、幅広い科学研究でますます使われている。
しかし,高次元線形混合モデル(LMM)の統計的手法はほとんどなく,ベイズ変分選択法やペナル化法は独立な観測のために設計されている。
加えて、高次元LMM用の利用可能な数少ないソフトウェアパッケージはスケーラビリティの問題に悩まされている。
この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。
我々は,パラメータの最大値(MAP)推定を計算効率よく行うために,ハイパーパラメータの実証的ベイズ推定器を柔軟性の向上に使用し,期待-決定-最小化(ECM)アルゴリズムを用いた。
このアプローチの目新しさは、パーティショニングとパラメータ拡張と高速でスケーラブルな計算にある。
計算時間とともに固定およびランダム効果推定を評価するシミュレーション研究において,分割経験ベイズecm(lmm-probe)を用いた線形混合モデリングについて述べる。
実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
関連論文リスト
- Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Hyperparameter Estimation for Sparse Bayesian Learning Models [1.0172874946490507]
Aparse Bayesian Learning (SBL) モデルは、信号処理や機械学習において、階層的な事前処理による疎結合を促進するために広く使われている。
本稿では,種々の目的関数に対するSBLモデルの改良のためのフレームワークを提案する。
信号雑音比において, 高い効率性を示す新しいアルゴリズムが導入された。
論文 参考訳(メタデータ) (2024-01-04T21:24:01Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Approximate Gibbs Sampler for Efficient Inference of Hierarchical
Bayesian Models for Grouped Count Data [0.0]
本研究は、推定精度を維持しつつ、HBPRMを効率的に学習するための近似ギブスサンプリング器(AGS)を開発した。
実データと合成データを用いた数値実験により,AGSの優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-28T21:00:55Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-06T04:28:19Z) - Bayesian System ID: Optimal management of parameter, model, and
measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。
従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-04T22:48:30Z) - A Deep Learning Algorithm for High-Dimensional Exploratory Item Factor
Analysis [0.0]
探索項目因子分析(IFA)のための深層学習に基づくVIアルゴリズムについて検討する。
提案手法は、探索型IFAのための重要重み付きオートエンコーダ(IWAE)と呼ばれる深層人工ニューラルネットワークモデルを適用する。
IWAEは標本サイズやIWサンプル数の増加に伴って,より正確な推定値が得られることを示す。
論文 参考訳(メタデータ) (2020-01-22T03:02:34Z)
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。