DGP-LVM: 导数高斯过程潜变量模型
统计方法学
2025-06-10 v3
摘要
我们开发了一个导数高斯过程潜变量模型(DGP-LVM)框架，该框架能够使用修改后的导数协方差函数处理多维输出数据。这些修改考虑了底层数据生成过程中的复杂性，例如缩放导数、跨多个输出维度的变化信息以及输出之间的相互作用。此外，我们的框架通过贝叶斯推理为每个潜变量样本提供不确定性估计。通过大量模拟，我们证明由于我们提出的协方差函数修改，包含导数信息可以显著提高潜变量估计精度。这些发展源于一个具体的生物学研究问题，该问题涉及从单细胞RNA(scRNA)测序数据中估计未观察到的细胞排序，以获取基因表达及其相应的导数信息(称为RNA速度)。由于RNA速度只是精确导数信息的估计，导数协方差函数需要考虑潜在的尺度差异。在一个真实案例研究中，我们说明了DGP-LVM对此类scRNA测序数据的应用。虽然受此生物学问题启发，但我们的框架普遍适用于所有涉及导数信息的潜变量估计问题，无论研究领域如何。
引用
@article{arxiv.2404.04074,
title = {DGP-LVM: Derivative Gaussian process latent variable models},
author = {Soham Mukherjee and Manfred Claassen and Paul-Christian Bürkner},
journal= {arXiv preprint arXiv:2404.04074},
year = {2025}
}
备注
36 pages, 33 figures