用于多视图学习中视图选择的堆叠惩罚逻辑回归

在生物医学研究中，可收集许多不同类型的患者数据，例如各类组学数据与医学影像模态。与单视图方法相比，对这些不同信息源应用多视图学习可提高医学分类模型的准确性。然而，收集生物医学数据可能昂贵且/或给患者带来负担，因此减少所需数据收集量十分重要。因而有必要开发能准确识别对预测最重要的那些视图的多视图学习方法。近年来，若干生物医学研究使用了一种称为多视图堆叠（MVS）的方法，即对每一视图分别训练模型并通过堆叠组合所得预测。这些研究表明 MVS 可提高分类准确性。然而，MVS 框架也可用于选择重要视图的子集。为研究 MVS 的视图选择潜力，我们开发了一种特例，称为堆叠惩罚逻辑回归（StaPLR）。与现有视图选择方法相比，StaPLR 可利用更快的优化算法且易于并行化。我们表明，组合各视图的函数参数上的非负性约束在防止不重要视图进入模型方面起重要作用。我们通过仿真研究 StaPLR 的性能，并考虑两个真实数据示例。我们将 StaPLR 与一种称为 group lasso 的现有视图选择方法比较，观察到就视图选择而言，StaPLR 往往更保守且假阳性率持续更低。