Bayesian Variable Selection for Globally Sparse Probabilistic PCA

Charles Bouveyron; Pierre Latouche; Pierre-Alexandre Mattei

doi:10.1214/18-EJS1450

第三条Dans Une Revue 电子统计杂志年鉴：2018

全局稀疏概率PCA的贝叶斯变量选择

(1),(2),(1)

1
2

查尔斯·布韦伦

功能：奥特尔
人员ID:347
伊达尔：查尔斯·布韦伦
ORCID代码：0000-0002-6956-4491
ID参考号：112244785

巴黎数学应用5

皮埃尔·拉图什

功能：奥特尔
人员ID:1047606
ID参考号：203820827

多学科统计、分析与建模（SAmos-Marin Mersenne）

Pierre-Alexandre马泰

功能：Auteur对应
人员ID:8469
伊达尔：皮埃尔-莱克斯安德烈-马泰迪
ORCID代码：0000-0002-1297-908X
ID参考号：224920278

连接ez-vous浇注接触器l'auteur

巴黎数学应用5

Résumé

稀疏版本的主成分分析（PCA）将自己强加为以无监督的方式选择高维数据的相关特征的简单但强大的方法。然而，当计算多个稀疏主成分时，很难解释所选变量，因为每个轴都有自己的稀疏模式，必须单独解释。为了克服这个缺点，我们提出了一种称为全局稀疏概率PCA（GSPPCA）的贝叶斯过程，该过程允许获得具有相同稀疏模式的多个稀疏分量。这允许从业者识别与描述数据相关的原始变量。为此，利用Roweis对主成分分析的概率解释和加载矩阵上的高斯先验，我们首次精确计算了贝叶斯主成分分析模型的边际似然。为了避免离散模型选择的缺点，对该框架进行了简单的松弛。它允许使用变分期望最大化算法找到模型的路径。然后在此路径上最大化精确的边际似然。该方法在真实和合成数据集上进行了说明。特别是，使用未标记的微阵列数据，GSPPCA比传统的稀疏PCA算法推断出更多相关的基因子集。

摩托车

高维数据边际可能性型号选择主要组成部分变分推理

与葡萄园

统计[math.ST] 机器学习[stat.ML]

菲奇尔校长

GSPPCAv2.pdf（782.4 Ko）

原籍	菲奇尔斯（Fichiers）出品的par l’（les）auteur（s）

Pierre-Alexandre马泰 : 连接您的联系人和贡献者

https://hal.science/hal-01310409

Soumis le:mardi 2016年9月20日-18:04:46

Dernière修改le:mercredi 19 juin 2024-12:54:13

日期和版本

hal-01310409，版本1 (09-05-2016)

hal-01310409，版本2 (20-09-2016)

执照

父爱

身份证明人

HAL Id： hal-01310409，版本2
ARXIV公司： 1605.05918
内政部： 10.1214/18-EJS1450型

Citer公司

Charles Bouveyron，Pierre Latouche，Pierre Alexandre Mattei。全局稀疏概率主成分分析的贝叶斯变量选择。电子统计杂志, 2018,⟨10.1214/18-EJS1450⟩.⟨hal-01310409v2⟩

出口商

BibTeX公司 XML-TEI公司都柏林核心元数据集 DC条款尾注数据引用

UNIV-PARIS1大学 CNRS公司 SAMOS公司 INSMI公司 SAMM公司迪乌东内地图5 美国海军陆战队 UP-SCIENCES公司

778 磋商

727 交易费用