Los cuadrados mínimos parciales escasos ponderados con selección conjunta de muestras y características para integrar...

Área de la Ciencia:

• Biología computacional
• Aprendizaje automático
• Análisis estadístico

Sus antecedentes:

• Los mínimos cuadrados parciales es una técnica de reducción de dimensionalidad para la fusión de datos.
• El sPLS estándar no puede identificar subconjuntos latentes de muestras ni eliminar valores atípicos.

Objetivo del estudio:

• Desarrollar un nuevo método para la selección conjunta de muestras y características en sPLS.
• Ampliar el sPLS para la identificación de subconjuntos específicos de muestras y la eliminación de valores atípicos.
• Adaptar el método para la fusión de datos de múltiples vistas.

Principales métodos:

• Propuso un PLS limitado ponderado de $\ell _\infty /\ell _{0}$ para la selección de muestras y características.
• Demostró la propiedad Kurdyka-Łojasiewicz de las restricciones normales para la convergencia global.
• Desarrolló dos modelos wsPLS de múltiples vistas y algoritmos iterativos eficientes para la fusión de datos de múltiples vistas.

Principales resultados:

• El método $\ell _\infty /\ell _{0}$-wsPLS propuesto permite la selección conjunta de muestras y características.
• Se desarrollaron algoritmos globalmente convergentes para los modelos propuestos.
• Los experimentos con datos numéricos y biomédicos demostraron la eficacia de los métodos wsPLS de múltiples vistas.

Conclusiones:

• El nuevo método $\ell _\infty /\ell _{0}$-wsPLS identifica efectivamente los subconjuntos y valores atípicos de la muestra.
• Los modelos extendidos de vista múltiple wsPLS son eficientes para la fusión de datos de vista múltiple.
• Los algoritmos desarrollados aseguran la convergencia y demuestran la aplicabilidad práctica.