用于特征选择的谱单纯形理论及其在基因组学中的应用
机器学习
2018-11-09 v1 机器学习
定量方法
摘要
现代数据集的规模与复杂性，以及检验大量假设所带来的局限，凸显了特征选择方法的必要性。谱技术依据特征与底层度量结构的一致程度对其排序，但其当前的基于图的表述将适用性限制于点特征。我们将用于特征选择的谱方法推广到抽象单纯复形，并提出一个可应用于两点及高阶特征的通用框架。组合拉普拉斯分数考虑了数据所张成的拓扑，并在点特征情形下退化为普通拉普拉斯分数。我们通过若干基因表达与多模态基因组数据分析的应用实例，展示了谱单纯形方法在特征选择中的效用。我们的结果为拓扑数据分析与流形学习方法提供了统一的视角。
引用
@article{arxiv.1811.03377,
title = {Spectral Simplicial Theory for Feature Selection and Applications to Genomics},
author = {Kiya W. Govek and Venkata S. Yamajala and Pablo G. Camara},
journal= {arXiv preprint arXiv:1811.03377},
year = {2018}
}
备注
22 pages, 8 figures