Log-ratio Lasso：针对对数比模型的可扩展稀疏估计
统计方法学
2021-04-15 v1
摘要
正值信号数据在许多生物与医学应用中很常见，其数据常由质谱等成像技术生成。在此情形下，原始特征的相对强度通常是具有科学意义的量，因此识别以原始输入对数比形式呈现的相关特征颇具价值。当纳入所有预测变量对的对数比时，该预测变量空间的维度变得很大，因此需要计算高效的统计过程。我们引入将对数比参数空间嵌入到低得多维空间的方法，并利用此更易处理的表示开发了高效的惩罚拟合过程。该过程作为两步拟合过程的基础，其结合了凸滤波步骤与第二非凸剪枝步骤以产生高度稀疏的解。在癌症蛋白质组学数据集上，我们发现这些方法拟合了具有已知生物学相关性的对数比特征的高度稀疏模型，同时大幅提升了较不可解释方法的预测准确率。
引用
@article{arxiv.1709.01139,
title = {Log-ratio Lasso: Scalable, Sparse Estimation for Log-ratio Models},
author = {Stephen Bates and Robert Tibshirani},
journal= {arXiv preprint arXiv:1709.01139},
year = {2021}
}