RaJIVE：用于整合含噪多源数据的基于角度的鲁棒JIVE
统计方法学
2021-01-25 v1
摘要
随着高维多源数据可用性的增加，识别联合与数据特有的变异性模式已成为许多研究领域的关注点。为此已提出若干矩阵分解方法，例如JIVE（联合与个体变异解释）及其基于角度的变体aJIVE。尽管文献中未考虑数据污染对估计的联合与个体成分的影响，但数据中的严重误差和离群值会导致此类方法的不稳定性，并造成联合与个体方差成分的错误估计。我们聚焦于aJIVE分解方法，并深入分析离群值对所得变异分解的影响。在表明当所有数据源均被污染时该影响不可忽略后，我们提出了aJIVE的鲁棒扩展（RaJIVE），将奇异值分解的鲁棒表述整合进aJIVE方法。所提出的RaJIVE被证明即使在存在离群值时也能提供正确分解，并改善了aJIVE的性能。我们使用具有不同数据污染程度的广泛模拟研究来比较两种方法。最后，我们描述了RaJIVE在来自The Cancer Genome Atlas的多组学乳腺癌数据集上的应用。我们提供了R包RaJIVE，其中包含方法的即用实现以及代码和示例文档。
引用
@article{arxiv.2101.09110,
title = {RaJIVE: Robust Angle Based JIVE for Integrating Noisy Multi-Source Data},
author = {Erica Ponzi and Magne Thoresen and Abhik Ghosh},
journal= {arXiv preprint arXiv:2101.09110},
year = {2021}
}