一种用于稀疏典型相关估计的贝叶斯方法
统计方法学
2023-10-31 v1 统计计算
机器学习
摘要
对联合研究中每个受试者从不同实验获取的多视图高维数据进行整合统计分析可能颇具挑战。典型相关分析（CCA）是一种用于识别此类数据集间关系的统计过程。在此背景下，结构化稀疏 CCA（ScSCCA）是一个迅速兴起的方法论领域，旨在通过假设相应的 CCA 方向向量为稀疏，来稳健建模不同数据模态间的相互关系。尽管它是统计方法论开发中快速增长领域，仍需在贝叶斯范式下发展相关方法。本稿提出一种新颖的 ScSCCA 方法，采用贝叶斯无限因子模型，并通过在建模框架的两个不同层次鼓励稀疏性以实现稳健估计。首先，我们利用乘性 Half-Cauchy 过程先验在潜变量载荷矩阵层次鼓励稀疏。此外，我们通过图形马蹄先验或对角结构在协方差矩阵中促进进一步稀疏。我们进行多次模拟，将所提方法性能与其他常用 CCA 过程比较，并将所发展过程应用于分析一项乳腺癌研究产生的多组学数据。
引用
@article{arxiv.2310.19621,
title = {A Bayesian Methodology for Estimation for Sparse Canonical Correlation},
author = {Siddhesh Kulkarni and Subhadip Pal and Jeremy T. Gaskins},
journal= {arXiv preprint arXiv:2310.19621},
year = {2023}
}