多向稀疏距离加权判别
统计方法学
2021-10-12 v1 定量方法
机器学习
摘要
现代数据常采取多向数组的形式。然而，大多数分类方法为向量即一维数组而设计。距离加权判别（DWD）是一种流行的高维分类方法，已推广到多向情境，在数据为多向结构时性能显著提升。然而，先前多向 DWD 的实现仅限于矩阵的分类，且未考虑稀疏性。本文中，我们开发了适用于任意维数和任意稀疏程度的多向分类通用框架。我们进行了广泛的模拟研究，表明我们的模型对稀疏程度具有鲁棒性，并在数据具有多向结构时提高分类精度。对于我们旨在解决的应用，使用磁共振波谱（MRS）在 Friedreich 共济失调小鼠模型中跨多个神经区域和多个时间点测量若干代谢物的丰度，产生四维数据数组。我们的方法揭示了稳健且可解释的多区域代谢组信号，可判别感兴趣组别。我们还成功将方法应用于多发性硬化症治疗的基因表达时间序列数据。R 实现可在 http://github.com/lockEF/MultiwayClassification 的 MultiwayClassification 包中获得。
引用
@article{arxiv.2110.05377,
title = {Multiway sparse distance weighted discrimination},
author = {Bin Guo and Lynn E. Eberly and Pierre-Gilles Henry and Christophe Lenglet and Eric F. Lock},
journal= {arXiv preprint arXiv:2110.05377},
year = {2021}
}
备注
46 pages, 8 figures