一种用于结构化变量选择的通用多块方法
机器学习
2016-11-01 v1
摘要
正则化典型相关分析最近通过多块方法正则化广义典型相关分析（RGCCA）扩展到多于两组变量。此外，提出了稀疏GCCA（SGCCA）来解决变量选择问题。然而，由于技术原因，SGCCA提供的变量选择仅限于块之间的协方差链接（即）。本文的主要贡献之一是超越协方差链接，为完整的RGCCA模型（即）提出SGCCA的扩展。此外，我们提出了SGCCA的扩展，利用块内变量之间的结构关系。具体地，我们提出了一种算法，允许在RGCCA优化问题中包含结构和稀疏诱导惩罚。所提出的多块方法在一个真实的三块高级胶质瘤数据集上进行了说明，该数据集的目标是预测脑肿瘤的位置，以及在一个模拟数据集上，旨在说明该方法重建真实潜在权重向量的能力。
引用
@article{arxiv.1610.09490,
title = {A general multiblock method for structured variable selection},
author = {Tommy Löfstedt and Fouad Hadj-Selem and Vincent Guillemot and Cathy Philippe and Nicolas Raymond and Edouard Duchesney and Vincent Frouin and Arthur Tenenhaus},
journal= {arXiv preprint arXiv:1610.09490},
year = {2016}
}
备注
24 pages, 5 figures