Contrastive Latent Functional Model

doi:10.1007/s12561-026-09524-w

Contrastive Latent Functional Model

2026-05-01

0

PRE

AI

DOI：10.1007/s12561-026-09524-w

原文链接

原文求助

摘要

En 中文

功能主成分分析（FPCA）是一种用于在低维空间中表示函数数据的流行工具，其沿高度可解释的成分描绘了数据随时间变化的变异方向。我们将FPCA扩展到涉及多个组的对比设置中，重点关注跨样本共享的时间动态成分与特定于单个样本的成分。提出的对比潜变量函数模型（cLFM）将FPCA与对比学习原理相结合，以捕获跨数据集的共同变异方向，同时隔离每个样本特有的特征。该模型采用计算高效的期望最大化（EM）算法进行参数估计，确保共享和特有函数空间之间的正交性。模拟研究展示了所提出方法在不同共享和特有变异场景、样本量和误差方差下的有效性。应用于神经发育和临床数据集，包括脑电图研究和肾功能纵向研究，cLFM揭示了自闭症与神经典型发展组间差异以及慢性肾脏病患者轻度至重度白蛋白尿亚组间差异的新见解。将对比分析与函数数据相结合，该框架增强了在生物医学研究中解开多组函数研究中复杂变异模式的处理能力。

Keyword:

Autism spectrum disorder (autism)

Chronic kidney disease

Functional data analysis

Latent component models

Shared variation

Unique variation

Contrastive Latent Functional Model

摘要

期刊

机构

引用论文