論文の概要: A Bayesian Methodology for Estimation for Sparse Canonical Correlation
- arxiv url: http://arxiv.org/abs/2310.19621v1
- Date: Mon, 30 Oct 2023 15:14:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:44:04.431038
- Title: A Bayesian Methodology for Estimation for Sparse Canonical Correlation
- Title（参考訳）: 疎正準相関推定のためのベイズ的手法
- Authors: Siddhesh Kulkarni, Subhadip Pal, Jeremy T. Gaskins
- Abstract要約: 標準相関解析(CCA)は、データセット間の関係を識別する統計手法である。
ScSCCAは、異なるデータモダリティ間の相互関係の堅牢なモデリングを目的とした、急速に発展する方法論分野である。
ベイズ無限因子モデルを用いて,ロバストな推定を実現する新しいSCSCCA手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It can be challenging to perform an integrative statistical analysis of
multi-view high-dimensional data acquired from different experiments on each
subject who participated in a joint study. Canonical Correlation Analysis (CCA)
is a statistical procedure for identifying relationships between such data
sets. In that context, Structured Sparse CCA (ScSCCA) is a rapidly emerging
methodological area that aims for robust modeling of the interrelations between
the different data modalities by assuming the corresponding CCA directional
vectors to be sparse. Although it is a rapidly growing area of statistical
methodology development, there is a need for developing related methodologies
in the Bayesian paradigm. In this manuscript, we propose a novel ScSCCA
approach where we employ a Bayesian infinite factor model and aim to achieve
robust estimation by encouraging sparsity in two different levels of the
modeling framework. Firstly, we utilize a multiplicative Half-Cauchy process
prior to encourage sparsity at the level of the latent variable loading
matrices. Additionally, we promote further sparsity in the covariance matrix by
using graphical horseshoe prior or diagonal structure. We conduct multiple
simulations to compare the performance of the proposed method with that of
other frequently used CCA procedures, and we apply the developed procedures to
analyze multi-omics data arising from a breast cancer study.
- Abstract（参考訳）: 共同研究に参加した被験者ごとに異なる実験から得られた多視点高次元データの統合的統計解析を行うことは困難である。
標準相関解析 (CCA) は、そのようなデータセット間の関係を識別するための統計的手続きである。
その文脈において、構造化スパースCA(Structured Sparse CCA, ScSCCA)は、対応するCCA方向ベクトルをスパースと仮定して、異なるデータモダリティ間の相互関係の堅牢なモデリングを目的とした、急速に発展する方法論分野である。
急速に成長している統計方法論開発地域であるが、ベイズパラダイムで関連する方法論を開発する必要がある。
本稿では,ベイズ無限因子モデルを用いて,モデリングフレームワークの2つの異なるレベルでのスパース性を促進することにより,頑健な推定を実現することを目的とした,新しいscscca手法を提案する。
まず, 潜時変荷重行列のレベルにおいて, スパーシリティを促進するために, 乗算半コーシー法を用いる。
さらに,グラフィカルホースシューの事前構造や対角構造を用いて,共分散行列のさらなるスパース性を促進する。
提案手法と他の頻繁に使用されるCCA法の性能を比較するために複数のシミュレーションを行い,乳がん研究から得られたマルチオミクスデータを解析するために,本手法を適用した。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Quantized Hierarchical Federated Learning: A Robust Approach to
Statistical Heterogeneity [3.8798345704175534]
本稿では,コミュニケーション効率に量子化を組み込んだ新しい階層型フェデレーション学習アルゴリズムを提案する。
最適性ギャップと収束率を評価するための包括的な分析フレームワークを提供する。
この結果から,本アルゴリズムはパラメータの範囲で常に高い学習精度を達成できることが判明した。
論文 参考訳（メタデータ） (2024-03-03T15:40:24Z) - Joint Distributional Learning via Cramer-Wold Distance [0.7614628596146602]
高次元データセットの共分散学習を容易にするために,クレーマー-ウォルド距離正規化を導入し,クレーマー-ウォルド距離正規化法を提案する。
また、フレキシブルな事前モデリングを可能にする2段階学習手法を導入し、集約後と事前分布のアライメントを改善する。
論文 参考訳（メタデータ） (2023-10-25T05:24:23Z) - Functional Generalized Canonical Correlation Analysis for studying
multiple longitudinal variables [0.9208007322096533]
FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。
我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。
本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
論文 参考訳（メタデータ） (2023-10-11T09:21:31Z) - DDAC-SpAM: A Distributed Algorithm for Fitting High-dimensional Sparse
Additive Models with Feature Division and Decorrelation [16.232378903482143]
本稿では,高次元のスパース加法モデルの下で特徴を分割する分散統計学習アルゴリズムDDAC-SpAMを提案する。
提案アルゴリズムの有効性と有効性は, 合成データと実データの両方に関する理論的解析と実験結果によって実証される。
提案手法は, スパース加法モデルと, 広範囲の領域で有望な応用を実現するための実用的ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-16T18:31:03Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z) - Multi-modality fusion using canonical correlation analysis methods:
Application in breast cancer survival prediction from histology and genomics [16.537929113715432]
2つのモードの融合にカノニカル相関解析(CCA)とCCAのペナル化変種を用いて検討した。
モデルパラメータが既知の場合,両モードを併用した後進平均推定器は,潜時変動予測における単一モード後進推定器の任意の線形混合よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-27T21:18:01Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-14T00:53:03Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z)
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。