在多视图潜变量模型中编码领域知识：一种基于结构化稀疏的贝叶斯方法

许多真实世界系统不仅由单一来源的数据描述，而是通过多个数据视图描述。例如，在基因组医学中，患者可由不同分子层的数据刻画。具有结构化稀疏的潜变量模型是厘清数据视图内部及之间变异的常用工具。然而，其可解释性繁琐，因为需要领域专家直接检视并解释每个因子。在此，我们提出 MuVI，一种基于改进马蹄先验以建模结构化稀疏的新型多视图潜变量模型。这有助于融入有限且含噪的领域知识，从而以内在可解释的方式分析多视图数据。我们证明，我们的模型（i）在重构误差与精确率/召回率上优于建模结构化稀疏的前沿方法，（ii）以特征集形式稳健整合含噪领域专长，（iii）促进因子的可辨识性，以及（iv）在真实世界癌症患者多视图数据集中推断出可解释且具生物学意义的变异轴。