基于矩阵去噪与几何因子匹配的大规模数据集成
统计方法学
2024-05-17 v1
摘要
无监督式多数据源集成分析已成为常见做法，需开发可扩展算法以适应日益增长的数据 availability。目前仅有少数方法将估计速度作为焦点，而那些具备估计速度的方法仅适用于数据布局受限的情况（例如：同一观察单位上测量的不同数据类型）。我们提出了一种将低秩矩阵集成表述为图估计问题的新视角，从而发展出一种方法——大规模集合矩阵分解（large-scale Collective Matrix Factorization, lsCMF）——能够以高效的方式灵活地集成数据布局。该方法利用矩阵去噪框架进行秩估计，并利用奇异向量的几何属性实现数据集成。 lsCMF 在保持良好数据结构估计的同时，展示了其快速估计速度，在仿真研究中得到验证。
引用
@article{arxiv.2405.10036,
title = {Large-scale Data Integration using Matrix Denoising and Geometric Factor Matching},
author = {Felix Held},
journal= {arXiv preprint arXiv:2405.10036},
year = {2024}
}