从高维数据学习潜因子及其连接关系的统一概率模型
机器学习
2018-05-25 v1 机器学习
摘要
在高维数据背景下，连接关系估计具有挑战性。一个有用的预处理步骤是将变量分组为簇，然而从连接关系估计的视角来看如何做到这一点并不总是清晰的。另一个实际挑战是，我们可能拥有来自多个相关类别（例如多个受试者或条件）的数据，并希望纳入关于跨类别相似性的约束。我们提出一个概率模型，其同时执行变量的分组（即检测社群结构）和对应潜变量的组间连接关系估计。该模型本质上是一个因子分析模型，其中因子允许具有任意相关性，而因子载荷矩阵被约束以表达社群结构。该模型可应用于多个类别，使得连接关系在不同类别间可以不同，而社群结构对所有类别相同。我们提出一种基于得分匹配的高效估计算法，并证明了模型的可识别性。最后，我们给出了针对潜变量有向（因果）连接关系的扩展。在fMRI数据上的模拟与实验验证了该方法的实际效用。
引用
@article{arxiv.1805.09567,
title = {A Unified Probabilistic Model for Learning Latent Factors and Their Connectivities from High-Dimensional Data},
author = {Ricardo Pio Monti and Aapo Hyvärinen},
journal= {arXiv preprint arXiv:1805.09567},
year = {2018}
}
备注
13 pages, 6 figures. To appear in UAI 2018