Collaborative regression
Collaborative regression
复制标题
DOI：
10.1093/biostatistics/kxu047
复制
发表时间：
2015-04-01
期刊：
影响因子：
2.1
通讯作者：
Tibshirani, Robert
中科院分区：
文献类型：
--
作者：
Gross, Samuel M.;Tibshirani, Robert
我们考虑的情况下，一个观察结果变量和多个测定的功能集，所有测量的同一组样本。已经提出的用于处理这些类型的数据的一种方法是“稀疏多典型相关分析”（稀疏mCCA）。目前所有的稀疏mCCA技术都是双凸的，因此不能保证达到全局最优。我们提出了一种用于执行稀疏监督典型相关分析（sparse sCCA）的方法，当其中一个数据集是向量时，这是稀疏mCCA的一种特定情况。我们提出的稀疏sCCA是凸的，因此不会面临与其他方法相同的困难。我们推导出有效的算法，可以实现与现成的求解器，并说明其使用模拟和真实的数据。
We consider the scenario where one observes an outcome variable and sets of features from multiple assays, all measured on the same set of samples. One approach that has been proposed for dealing with these type of data is "sparse multiple canonical correlation analysis" (sparse mCCA). All of the current sparse mCCA techniques are biconvex and thus have no guarantees about reaching a global optimum. We propose a method for performing sparse supervised canonical correlation analysis (sparse sCCA), a specific case of sparse mCCA when one of the datasets is a vector. Our proposal for sparse sCCA is convex and thus does not face the same difficulties as the other methods. We derive efficient algorithms for this problem that can be implemented with off the shelf solvers, and illustrate their use on simulated and real data.