权重稀有部分最小方程与联合样本和特征选择,用于整合多组数据

科学领域:

• 计算生物学
• 机器学习
• 统计分析

背景情况:

• 分散部分最小平方 (sPLS) 是数据融合的一种缩小维度技术.
• 标准sPLS无法识别隐藏的样本子集或删除异常值.

研究的目的:

• 在sPLS中开发一种新的联合样本和特征选择方法.
• 扩展sPLS用于识别特定样本子集和异常值的删除.
• 适应多视图数据融合的方法.

主要方法:

• 为样本和特征选择提出了一个$\ell _\infty /\ell _{0}$规范约束的加权稀疏PLS ($\ell _\infty /\ell _{0}$-wsPLS).
• 证明了Kurdika-Łojasiewicz属性对全球趋同的规范约束.
• 开发了两个多视图 wsPLS 模型和高效的代算法,用于多视图数据融合.

主要成果:

• 拟议的 $\ell _\infty /\ell _{0}$-wsPLS 方法可以进行联合样本和特征选择.
• 为提出的模型开发了全球融合算法.
• 数字和生物医学数据实验证明了多视图WSPLS方法的效率.

结论:

• 新的 $\ell _\infty /\ell _{0}$-wsPLS 方法有效地识别了样本子集和异常值.
• 扩展的多视图 wsPLS 模型对于多视图数据融合是有效的.
• 开发的算法确保了融合,并证明了其实际可用性.