用于高维比例风险模型的变分 Bayes 方法及其在基因表达中的应用
统计方法学
2022-07-06 v2 机器学习
摘要
少数用于分析高维稀疏生存数据的贝叶斯方法可提供可扩展的变量选择、效应估计与不确定性量化。此类方法往往要么通过计算最大后验估计而牺牲不确定性量化，要么以高（不可扩展的）计算代价来量化不确定性。我们弥补这一差距，开发了一个可解释且可扩展的贝叶斯比例风险模型用于预测与变量选择，称为 SVB。我们的方法基于平均场变分近似，克服了 MCMC 的高计算成本，同时保留了有用特性，为参数提供后验分布，并通过后验包含概率提供变量选择的天然机制。我们所提方法的性能通过大量模拟进行了评估，并与其他最先进的贝叶斯变量选择方法进行比较，展现出相当或更好的性能。最后，我们展示了所提方法如何用于两个具有删失生存结果的转录组数据集上的变量选择，以及我们方法提供的不确定性量化如何用于对患者风险进行可解释的评估。
引用
@article{arxiv.2112.10270,
title = {Variational Bayes for high-dimensional proportional hazards models with applications within gene expression},
author = {Michael Komodromos and Eric Aboagye and Marina Evangelou and Sarah Filippi and Kolyan Ray},
journal= {arXiv preprint arXiv:2112.10270},
year = {2022}
}
备注
Published in Bioinformatics