LEARNER：面向低秩矩阵估计的迁移学习方法
统计方法学
2025-08-20 v2 统计计算
机器学习
摘要
低秩矩阵估计是统计和机器学习中的一个基本问题，具有广泛的应用，包括基因组学、医学成像、药物发现和电子健康记录数据分析等生物医学领域。在异构数据由多样来源生成的背景下，一个关键挑战在于利用来自源人群的数据来增强感兴趣目标人群中低秩矩阵的估计。我们提出了一种方法，利用源人群与目标人群在潜在行和列空间之间的相似性来提高目标人群中的估计精度，我们将其称为 LatEnt spAce-based tRaNsfer lEaRning (LEARNER)。LEARNER 基于对目标人群数据进行低秩近似，该近似对源人群与目标人群在潜在行和列空间之间的差异进行惩罚。我们提出了一种交叉验证方法，允许该方法适应不同人群之间的异构性程度。我们进行了大量仿真实验，发现 LEARNER 通常优于仅使用目标人群数据的基准方法，特别是当源人群的信噪比增加时。我们还在 BioBank Japan 队列中进行的基因组关联研究总结统计数据的重新分析中进行了示例性应用和经验比较。LEARNER 实现于 R 包 learner 和 Python 包 learner-py 中。
引用
@article{arxiv.2412.20605,
title = {LEARNER: A Transfer Learning Method for Low-Rank Matrix Estimation},
author = {Sean McGrath and Cenhao Zhu and Ryan O'Dea and Min Guo and Rui Duan},
journal= {arXiv preprint arXiv:2412.20605},
year = {2025}
}