基于角度的联合与个体变异解释
机器学习
2018-03-20 v3
摘要
在现代数据分析中，对在一组共同实验对象上测量的不同数据块进行整合分析是一项重大挑战。这种数据结构自然促使人们同时探索每个数据块内的联合与个体变异，从而产生新的见解。例如，人们强烈希望整合癌症基因组图谱(The Cancer Genome Atlas)中的多个基因组数据集，以表征每种来源的癌症遗传学和细胞生物学的共同与独特方面。本文引入基于角度的联合与个体变异解释(Angle-Based Joint and Individual Variation Explained, AJIVE)，捕捉每个数据块内的联合与个体变异。相较于应对该挑战的早期方法，这在新的概念理解、对数据异质性的更好适应以及快速线性代数计算方面是一个重大改进。重要的数学贡献是使用得分子空间作为变异结构的主要描述符，以及使用扰动理论作为变异分割的指南。这导致了一种对数据块间的异质性不敏感且不需要单独归一化的探索性数据分析方法。对癌症数据的一个应用揭示了每种信号在表征肿瘤亚型时的不同行为。对死亡率数据集的一个应用揭示了有趣的历史教训。软件和数据可在 GitHub <https://github.com/MeileiJiang/AJIVE_Project> 获取。
引用
@article{arxiv.1704.02060,
title = {Angle-Based Joint and Individual Variation Explained},
author = {Qing Feng and Meilei Jiang and Jan Hannig and J. S. Marron},
journal= {arXiv preprint arXiv:1704.02060},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1512.04060