.png){kind=icon}
返回
Mixed product-based regularization for sparse matrix factorization in biclustering
.png){kind=icon}
PRE
AI
DOI：10.1007/s42081-026-00340-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
二分聚类旨在通过联合选择行和列的子集来识别一致的子矩阵。稀疏低秩分解具有可扩展性和可解释性，但在秩-K设置中常受交叉分量共激活问题困扰：当真实二分簇重叠时，不同分量可能反复选择相同变量，导致冗余且不稳定的支持集。我们提出了一种全局秩-K稀疏分解框架，采用混合乘积型惩罚项耦合分量内稀疏性与显式交叉分量去冗余，允许有限、可解释的重叠而避免不必要的重复。我们开发了一种高效的坐标更新算法，并采用支持集约束的拟合-BIC进行稳健的超参数选择。模拟实验分为三部分以隔离架构效应、评估随机重叠与复杂信号下的惩罚项效果，并将矩形（非对称）设置与代表性基线进行比较。对NKI乳腺癌微阵列数据集的应用进一步展示了更清晰、冗余更少的二分簇。
Keyword:
Biclustering
SVD
Lasso
Prenet penalty
Sparse matrix factorization
BIC criterion
