拉斯

在高维数据中寻找大平均子矩阵。样本变量关联搜索是高维数据探索性分析中的一个重要问题。双聚类方法以数据矩阵的可分辨子矩阵的形式搜索样本变量关联。(子矩阵的行和列不必是连续的)我们提出并评估了一个统计激励的双聚类过程(LAS),它可以在给定的实值数据矩阵中找到大的平均子矩阵。在平均值和剩余值之间进行有效的迭代计算。我们通过使用两个基因表达数据集进行的广泛的三部分验证研究,检验了LAS的性能和潜在的效用,并与现有的一些方法进行了比较。验证性研究检验了双聚类的定量特性,使用辅助信息进行生物学和临床评估,并使用双聚类隶属度对疾病亚型进行分类。此外,我们还进行了模拟研究,以评估LAS搜索程序的有效性和噪声敏感性。这些结果表明,LAS是在高维数据中发现生物相关结构的有效探索工具。软件可以在url{https://genome.unc.edu/las/}上找到。


zbMATH参考文献(16篇文章引用)

显示第1到16个结果,共16个。
按年份排序(引用)

  1. Huang,Lei;Bai,Jiawei;Ivanescu,Andrada;Harris,Tamara;Maurer,Mathew;Green,Philip;Zipunnikov,Vadim:多水平矩阵变量分析及其在加速度计测得的临床人群中的应用(2019年)
  2. David Gamarnik;Li,Quan:寻找高斯随机矩阵的大子矩阵(2018)
  3. Hajek,Bruce;Wu,Yihong;Xu,Jiaming:通过消息传递实现子矩阵定位(2018)
  4. Arias Castro,Ery;Liu,Yuchao:子矩阵的无分布检测(2017)
  5. Bhamidi,Shankar;Dey,Partha S.;Nobel,Andrew B.:高斯随机矩阵中大平均子矩阵检测问题的能量分布(2017)
  6. Chi,Eric C.;Allen,Genevera I.;Baraniuk,Richard G.:凸双聚类(2017)
  7. Chen,Yudong;Xu,Jiaming:随着簇和子矩阵数量的增加,种植问题和子矩阵定位的统计计算权衡(2016)
  8. Butucea,Cristina;Ingster,Yuri I.;Suslina,Irina A.:高维噪声矩阵中稀疏子矩阵的尖锐变量选择(2015)
  9. Deshpande,Yash;Montanari,Andrea:在几乎线性时间内找到大小(\sqrtN/e)的隐藏集团(2015)
  10. 马宗明;吴义红:极小极大子矩阵检测中的计算障碍(2015)
  11. Montanari,Andrea:在稀疏图中找到一个社区(2015)
  12. Wilson,James D.;Wang,Simi;Mucha,Peter J.;Bhamidi,Shankar;Nobel,Andrew B.:识别网络中重要社区的基于测试的提取算法(2014)
  13. Butucea,Cristina;Ingster,Yuri I.:高维噪声矩阵稀疏子矩阵的检测(2013)
  14. Addario Berry,Louigi;Broutin,Nicolas;Devroye,Luc;Luc Lugosi,Gábor:关于组合测试问题(2010)
  15. Lee,Mihee;Shen,Haipeng;Huang,Jianhua Z.;Marron,J.S.:稀疏奇异值分解的双聚类(2010)
  16. Andrey A.沙巴林(Andrey A.);魏格曼(Weigman),维克托J.;佩鲁(Charles M.);诺贝尔,安德鲁B.:在高维数据中寻找大平均子矩阵(2009年)