非负空间因子分解
统计方法学
2021-10-13 v1 机器学习
基因组学
定量方法
摘要
高斯过程因其非参数灵活性与量化不确定性的能力而被广泛用于空间数据分析，且近期发展的可扩展近似方法促进了其在海量数据集上的应用。对于多变量结果，共区域化线性模型将降维与空间相关性相结合。然而，其实值潜在因子与载荷难以解释，因为与非负模型不同，它们无法恢复基于部分的表示。我们提出非负空间因子分解（NSF），一种具有空间感知的概率降维模型，天然地促进稀疏性。我们通过模拟实验和高维空间转录组学数据，将 NSF 与 MEFISTO 等实值空间因子分解以及非空间降维方法进行比较。NSF 识别出可泛化的基因表达空间模式。由于并非所有基因表达模式都是空间的，我们还提出 NSF 的混合扩展，其结合空间与非空间分量，从而能够对观测与特征的空间重要性进行量化。NSF 的 TensorFlow 实现可从 https://github.com/willtownes/nsf-paper 获取。
引用
@article{arxiv.2110.06122,
title = {Nonnegative spatial factorization},
author = {F. William Townes and Barbara E. Engelhardt},
journal= {arXiv preprint arXiv:2110.06122},
year = {2021}
}