.png){kind=icon}
返回
Cluster Quilting: Spectral Clustering for Patchwork Learning
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2648876.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
拼接学习作为一种新的且具有挑战性的数据收集范式，其中样本和特征均以碎片化的子集形式被观测。由于技术限制和测量成本，此类拼接数据结构在神经科学、医疗保健、基因组学等应用中常见。与其分别分析每个数据块，更希望从整个数据集中提取全面知识。本研究聚焦拼接学习中的聚类问题，旨在发现所有样本中的聚类，即使某些样本在任何特征上均未被共同观测。我们提出一种新颖的谱聚类方法——聚类拼接法，包括：(i) 利用所有数据块间的重叠结构进行数据块排序；(ii) 块级奇异值分解；(iii) 对重叠数据块进行顶级奇异向量的顺序线性映射；(iv) 在组合并加权的奇异向量上执行k-means算法。我们通过非渐近错聚类率界建立理论保证，该界反映块级观测模式特性以及聚类信号与噪声依赖性。我们在模拟和真实数据集的经验研究中验证了聚类拼接算法，结果表明其比其他方法产生更准确且科学上更合理的聚类结果。本文的补充材料可在网上获取，包括用于重现工作的标准化材料描述。
Keyword:
Blockwise missingness
Data integration
Matrix completion
Mixture models
Multi-omics
Patchwork learning
Spectral clustering
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
查看更多机构
.png){kind=icon}
