全局稀疏概率主成分分析的贝叶斯变量选择
摘要：全局稀疏概率主成分分析 (GSPPCA) 是一种贝叶斯方法，通过提供相同稀疏模式的多个稀疏主成分，来解决稀疏主成分分析中解释变量困难的问题。我们使用Roweis的概率主成分分析解释和加载矩阵上的高斯先验，提供了贝叶斯主成分分析模型的边际似然的第一个精确计算。为了避免离散模型选择的缺点，我们提出了该框架的一个简单的放松策略，利用变分期望最大化算法找到模型路径，并最大化通过该路径计算得到的精确边际似然。通过实际和合成数据集进行了说明。特别是在使用无标签的微阵列数据集时，GSPPCA相较于传统的稀疏主成分分析算法能够推断出更多相关的基因子集。
作者：Charles Bouveyron, Pierre Latouche, Pierre-Alexandre Mattei
论文ID：1605.05918
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-05-22