PARAFAC2$\times$N：具有 N 个模式漂移的多模态数据耦合分解
应用统计
2022-05-10 v1 机器学习
摘要
综合二维气相色谱-飞行时间质谱 (GCGC-TOFMS) 数据的可靠分析被视为其广泛应用的主要瓶颈。对于多个样本，特定色谱区域的 GCGC-TOFMS 数据表现为一个四阶张量，包含 I 个质谱采集、J 个质量通道、K 个调制和 L 个样本。色谱漂移在一维（调制）和二维（质谱采集）上均常见，而沿质量通道和样本维度的漂移在实际中不存在。已提出若干处理 GCGC-TOFMS 数据的方案：它们涉及将数据重塑以适配基于多元曲线分辨 (MCR) 的二阶分解技术，或基于平行因子分析 2 (PARAFAC2) 的三阶分解技术。PARAFAC2 已被用于对一个模式上的色谱漂移建模，从而使其能稳健分解多个 GC-MS 实验。尽管可扩展，实现考虑多模式漂移的 PARAFAC2 模型并非易事。在本投稿中，我们展示一种新方法及用于建模多模式漂移数据的通用理论，以应用于具有多元检测的多维色谱。
引用
@article{arxiv.2205.03501,
title = {PARAFAC2$\times$N: Coupled Decomposition of Multi-modal Data with Drift in N Modes},
author = {Michael D. Sorochan Armstrong and Jesper Løve Hinrich and A. Paulina de la Mata and James J. Harynuk},
journal= {arXiv preprint arXiv:2205.03501},
year = {2022}
}