用于遗传数据分析的条件式层次贝叶斯 Tucker 分解
机器学习
2025-09-01 v9 统计方法学
机器学习
摘要
我们分析大型、多维、稀疏计数数据集，寻找无监督分组以对遗传数据提供独特见解。我们基于患者的变异建立基因和生物学通路分组，以寻找四种常见癌症（乳腺癌、肺癌、前列腺癌和结直肠癌）以及自闭症谱系障碍的共同风险因素。为此，我们将潜在狄利克雷分配扩展到多个维度，并设计不同的层次主题建模方法。我们发现我们的条件式层次贝叶斯 Tucker 分解模型比基线模型更具连贯性。
引用
@article{arxiv.1911.12426,
title = {Conditional Hierarchical Bayesian Tucker Decomposition for Genetic Data Analysis},
author = {Adam Sandler and Diego Klabjan and Yuan Luo},
journal= {arXiv preprint arXiv:1911.12426},
year = {2025}
}
备注
42 pages, 10 figures, 5 tables