稀疏动态分布分解：轨迹与快照时间序列数据的高效集成
机器学习
2020-06-12 v2 机器学习
摘要
动态分布分解（DDD）由 Taylor-King 等人（PLOS Comp Biol, 2020）作为动态模态分解的一种变体提出。简言之，通过在连续状态空间上使用基函数，DDD 允许在这些基函数上拟合连续时间马尔可夫链，从而连续地映射分布之间。DDD 的参数数量随基函数数量的平方增长；我们重新表述了该问题并将方法限制于紧致基函数，从而仅推断稀疏矩阵——由此减少了参数数量。最后，我们展示了 DDD 如何适用于集成轨迹时间序列（相邻时间点间配对）和快照时间序列（未配对时间点）。能够集成这两种场景的方法对于生物医学数据分析尤为相关，其中研究在固定时间点（快照）观察群体，以及具有重复随访的个体患者历程（轨迹）。
引用
@article{arxiv.2006.05138,
title = {Sparse Dynamic Distribution Decomposition: Efficient Integration of Trajectory and Snapshot Time Series Data},
author = {Jake P. Taylor-King and Cristian Regep and Jyothish Soman and Flawnson Tong and Catalina Cangea and Charlie Roberts},
journal= {arXiv preprint arXiv:2006.05138},
year = {2020}
}
备注
11 pages, 2 figures