A Fast, Provably Accurate Approximation Algorithm for Sparse Principal Component Analysis Reveals Human Genetic Variation Across the World
A Fast, Provably Accurate Approximation Algorithm for Sparse Principal Component Analysis Reveals Human Genetic Variation Across the World
复制标题
稀疏主成分分析的快速、可证明准确的近似算法揭示了世界各地的人类遗传变异
DOI：
10.1007/978-3-031-04749-7_6
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Drineas, Petros
中科院分区：
文献类型：
--
作者：
Chowdhury, Agniva;Bose, Aritra;Zhou, Samson;Woodruff, David P.;Drineas, Petros
主成分分析（PCA）是机器学习和多元统计中广泛使用的降维技术。为了提高PCA的可解释性，已经提出了各种方法来获得稀疏主方向载荷，这被称为稀疏主成分分析（SPCA）。在本文中，我们提出了ThreesPCA，一个可证明准确的算法的基础上阈值的奇异值分解的SPCA问题，而不施加任何限制性的假设输入协方差矩阵。我们的阈值算法在概念上是简单的，比目前最先进的速度快得多，并在实践中表现良好。当应用于1000个基因组计划的基因型数据时，ThreSPCA比以前的基准更快，至少同样准确，并导致一组可解释的生物标志物，揭示了世界各地的遗传多样性。
Principal component analysis (PCA) is a widely used dimensionality reduction technique in machine learning and multivariate statistics. To improve the interpretability of PCA, various approaches to obtain sparse principal direction loadings have been proposed, which are termed Sparse Principal Component Analysis (SPCA). In this paper, we presentThreSPCA, a provably accurate algorithm based on thresholding the Singular Value Decomposition for the SPCA problem, without imposing any restrictive assumptions on the input covariance matrix. Our thresholding algorithm is conceptually simple; much faster than current state-of-the-art; and performs well in practice. When applied to genotype data from the 1000 Genomes Project,ThreSPCAis faster than previous benchmarks, at least as accurate, and leads to a set of interpretable biomarkers, revealing genetic diversity across the world.
登录
查看更多内容
影响因子：
3.3
作者：
J. K. Pritchard;Matthew Stephens;Peter Donnelly
通讯作者：
J. K. Pritchard;Matthew Stephens;Peter Donnelly
DOI：
10.1109/isit.2011.6034216
发表时间：
2011-06
期刊：
2011 IEEE International Symposium on Information Theory Proceedings
影响因子：
--
作者：
Megasthenis Asteris;Dimitris Papailiopoulos;G. N. Karystinos
通讯作者：
Megasthenis Asteris;Dimitris Papailiopoulos;G. N. Karystinos
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
Jun Z. Li;D. Absher;Hua Tang;Audrey M. Southwick;A. Casto;Sohini Ramachandran;H. Cann;G. Barsh
通讯作者：
Jun Z. Li;D. Absher;Hua Tang;Audrey M. Southwick;A. Casto;Sohini Ramachandran;H. Cann;G. Barsh
影响因子：
5.8
作者：
Bose, Aritra;Kalantzis, Vassilis;Drineas, Petros
通讯作者：
Drineas, Petros