对比式CUR：用于病例对照研究的可解释联合特征与样本选择
统计方法学
2025-08-18 v1 应用统计
摘要
维数约化是分析高维数据中必不可少的工具。大多数现有方法，包括主成分分析（PCA）以及其扩展形式，提供的主成分往往是特征的线性组合，这些主成分往往难以解释。CUR分解，另一种矩阵分解技术，是一个更具可解释性和效率的替代方案，提供同时的特征和样本选择。尽管如此，许多生物医学研究涉及两个组：前景（治疗或病例）组和背景（对照）组，其中目标是识别独特于或富集于前景组的特征。这种对比维数约化在现有的CUR方法中，以及基于PCA的对比方法中都未得到很好地解决。此外，它们未能解决生物医学研究中的一个关键挑战：对前景组独特样本选择的需求。本文通过提出一种对比式CUR（CCUR），为病例对照研究专门设计的新方法，来解决这一差距。通过大量实验，我们展示了CCUR在隔离生物学相关特征以及识别前景组独特的样本响应方面优于现有技术，为病例对照生物医学数据提供更深入的洞察。
引用
@article{arxiv.2508.11557,
title = {Contrastive CUR: Interpretable Joint Feature and Sample Selection for Case-Control Studies},
author = {Eric Zhang and Michael Love and Didong Li},
journal= {arXiv preprint arXiv:2508.11557},
year = {2025}
}