論文の概要: Nonlinear Sparse Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data
- arxiv url: http://arxiv.org/abs/2502.18756v1
- Date: Wed, 26 Feb 2025 02:16:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:59:13.375059
- Title: Nonlinear Sparse Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data
- Title（参考訳）: 多視点高次元データの非線形スパース一般化正準相関解析
- Authors: Rong Wu, Ziqi Chen, Gen Li, Hai Shu,
- Abstract要約: バイオメディカル研究は、積分相関分析(CCA)を必要とする多視点高次元TCGデータセット(例えば、マルチオミクス)をますます生産する。
多視点高次元データにおける変数選択のための非線形一般化CCA法HSIC-SGCCA, SA-KGCCA, TS-KGCCAを提案する。
- 参考スコア（独自算出の注目度）: 6.685194648550425
- License:
- Abstract: Motivation: Biomedical studies increasingly produce multi-view high-dimensional datasets (e.g., multi-omics) that demand integrative analysis. Existing canonical correlation analysis (CCA) and generalized CCA methods address at most two of the following three key aspects simultaneously: (i) nonlinear dependence, (ii) sparsity for variable selection, and (iii) generalization to more than two data views. There is a pressing need for CCA methods that integrate all three aspects to effectively analyze multi-view high-dimensional data. Results: We propose three nonlinear, sparse, generalized CCA methods, HSIC-SGCCA, SA-KGCCA, and TS-KGCCA, for variable selection in multi-view high-dimensional data. These methods extend existing SCCA-HSIC, SA-KCCA, and TS-KCCA from two-view to multi-view settings. While SA-KGCCA and TS-KGCCA yield multi-convex optimization problems solved via block coordinate descent, HSIC-SGCCA introduces a necessary unit-variance constraint previously ignored in SCCA-HSIC, resulting in a nonconvex, non-multiconvex problem. We efficiently address this challenge by integrating the block prox-linear method with the linearized alternating direction method of multipliers. Simulations and TCGA-BRCA data analysis demonstrate that HSIC-SGCCA outperforms competing methods in multi-view variable selection.
- Abstract（参考訳）: モチベーション(Motivation): バイオメディカル研究は、積分解析を必要とする多次元高次元データセット(例えば、マルチオミクス)をますます生成する。
既存の標準相関解析(CCA)と一般化CCA法は、以下の3つの重要な側面のうちの2つを同時に扱う。
(i)非線形依存
(ii)変数選択のための空間性、及び
(iii)2つ以上のデータビューへの一般化。
マルチビュー高次元データを効果的に解析する3つの側面を全て統合するCAA手法が求められている。
結果: 多次元高次元データにおける変数選択のために, 非線形, スパース, 一般化CCA法, HSIC-SGCCA, SA-KGCCA, TS-KGCCAの3つの手法を提案する。
これらの方法は、既存のSCCA-HSIC、SA-KCCA、TS-KCCAを2視点から多視点に拡張する。
SA-KGCCAとTS-KGCCAはブロック座標降下による多重凸最適化問題を導出するが、HSIC-SGCCAは以前にSCCA-HSICで無視されていた単位分散制約を導入し、非凸非多重凸問題をもたらす。
我々は,ブロックプロキシ線形法と乗算器の線形化交互方向法を統合することで,この課題に効果的に対処する。
シミュレーションとTCGA-BRCAデータ解析により,HSIC-SGCCAは多視点変数選択において競合する手法より優れていることが示された。
関連論文リスト
- Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-03-07T16:17:33Z) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳（メタデータ） (2023-11-28T08:34:58Z) - Unconstrained Stochastic CCA: Unifying Multiview and Self-Supervised Learning [0.13654846342364307]
PLS, CCA, Deep CCA の高速アルゴリズム群を標準 CCA と Deep CCA のベンチマークで示す。
我々のアルゴリズムは、従来の最先端ベンチマークよりもはるかに高速な収束と高い相関関係の回復を示す。
これらの改良により、非常に大きなバイオメディカルデータセットの第一種PSS分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-02T09:03:59Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - CCP: Correlated Clustering and Projection for Dimensionality Reduction [5.992724190105578]
Correlated Clustering and Projectionは、マトリックスを解決する必要のない、新しいデータドメイン戦略を提供する。
CCPは、高次元の機能を相関クラスタに分割し、各クラスタの相関した機能を1次元の表現に分割する。
提案手法は、さまざまな機械学習アルゴリズムに関連するベンチマークデータセットを用いて検証される。
論文 参考訳（メタデータ） (2022-06-08T23:14:44Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。
近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。
本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T15:56:40Z) - Deep Tensor CCA for Multi-view Learning [17.877864702838405]
本稿では,データの複数ビュー(2つ以上のビュー)の複雑な非線形変換を高次に学習する手法を提案する。
各ビューの変換のパラメータは、高次正準相関を最大化することにより、共同で学習される。
3つのマルチビューデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-05-25T04:04:28Z) - Generalized Canonical Correlation Analysis: A Subspace Intersection
Approach [30.475159163815505]
Generalized Canonical correlation Analysis (GCCA)は、データマイニング、機械学習、人工知能に多くの応用を見出す重要なツールである。
本稿では,GCCAの本質を自然に捉えた(双線形)生成モデルに基づく,GCCAの新たな代数的視点を提供する。
大規模GCCAタスクを処理するためにスケールアップする部分空間交叉に基づく新しいGCCAアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-25T04:04:25Z) - D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis
for Multi-view High-dimensional Data [11.184915338554422]
高次元多視点データ分析における一般的なモデルは、各ビューのデータ行列を、すべてのデータビューに共通する潜在因子によって生成される低ランクの共通ソース行列に分解する。
本稿では,分解に基づく一般化正準相関解析(D-GCCA)と呼ばれる新しい分解法を提案する。
我々のD-GCCAは、共通成分と特異成分を正準変数から分離することにより、一般化された正準相関解析よりも一歩前進する。
論文 参考訳（メタデータ） (2020-01-09T06:35:40Z)
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。