通过精度调整迭代阈值实现的稀疏典型相关分析
统计理论
2013-11-26 v1 统计方法学
机器学习
统计理论
摘要
稀疏典型相关分析 (CCA) 在高维数据分析中受到了广泛关注，用于研究两组随机变量之间的关系。然而，尽管在方法论和应用研究方面活动活跃，但在高维设置下，稀疏 CCA 的理论统计基础却非常匮乏。在本文中，我们引入了一个基本的充分必要条件刻画，使得 CCA 的解确实是稀疏的；提出了一种计算高效的过程，称为 CAPIT，用于估计典型方向；并表明该过程在各种关于干扰参数的假设下是速率最优的。该过程被应用于来自癌症基因组图谱 (The Cancer Genome Atlas) 项目的乳腺癌数据集。我们识别出了与基因相关的甲基化探针，这些基因此前已被表征为乳腺癌转移的预后特征。
引用
@article{arxiv.1311.6186,
title = {Sparse CCA via Precision Adjusted Iterative Thresholding},
author = {Mengjie Chen and Chao Gao and Zhao Ren and Harrison H. Zhou},
journal= {arXiv preprint arXiv:1311.6186},
year = {2013}
}