多模态可微无监督特征选择
机器学习
2023-03-17 v1
摘要
多模态高通量生物数据既带来重大科学机遇，也构成显著计算挑战。在多模态测量中，每个样本由两组或更多传感器组同时观测。在此类设定下，两种模态中的许多观测变量常为干扰项，不携带感兴趣现象的信息。此处，我们提出一种多模态无监督特征选择框架：基于耦合高维测量识别信息性变量。我们的方法旨在识别与两类潜低维结构相关的特征：（i）支配两模态观测的共享结构，以及（ii）仅出现于单一模态的差异结构。为此，我们提出两个基于拉普拉斯的评分算子。我们将评分与可微门结合，以掩蔽干扰特征并提升图拉普拉斯所捕获结构的准确性。新方案的性能通过合成与真实数据集得以展示，包括单细胞多组学的扩展生物应用。
引用
@article{arxiv.2303.09381,
title = {Multi-modal Differentiable Unsupervised Feature Selection},
author = {Junchen Yang and Ofir Lindenbaum and Yuval Kluger and Ariel Jaffe},
journal= {arXiv preprint arXiv:2303.09381},
year = {2023}
}