マルチオミクスのデータを統合するための共同サンプルと特徴の選択による重み付けの稀少部分最小平方

科学分野:

• コンピュータ生物学
• 機械学習
• 統計分析

背景:

• Sparse Partial Least Squares (sPLS) は,データの融合のための次元縮小技術である.
• 標準のsPLSは,隠れたサンプルサブセットを特定したり,アウトリバーを削除したりできません.

研究 の 目的:

• sPLSでの共同サンプルと特徴の選択のための新しい方法を開発する.
• 特定のサンプルのサブセットとアウトラー除去を特定するために,sPLSを拡張します.
• マルチビューデータ融合のための方法を適応する.

主な方法:

• サンプルと特徴の選択のために$\ell _\infty /\ell _{0}$-normの制約された加重された稀少PLS ($\ell _\infty /\ell _{0}$-wsPLS) を提案した.
• グローバル・コンバージェンスの $\ell _\infty /\ell _{0}$-norm 制約のKurdyka-Łojasiewicz 性質を証明した.
• 2つのマルチビューWSPLSモデルとマルチビューデータ融合のための効率的な繰り返しアルゴリズムを開発しました.

主要な成果:

• 提案された $\ell _\infty /\ell _{0}$-wsPLS 方法は,共同のサンプルと特徴の選択を可能にします.
• 提案されたモデルのために,グローバルに収束するアルゴリズムが開発されました.
• 数値と生物学的データ実験は,マルチビュー wsPLS 方法の効率性を実証しました.

結論:

• 新しい $\ell _\infty /\ell _{0}$-wsPLS 方法は,サンプルサブセットとアウトライアを効果的に識別します.
• 拡張されたマルチビューWSPLSモデルは,マルチビューデータの融合に効率的です.
• 開発されたアルゴリズムは収束を保証し,実用性を実証しています.