Nov, 2010

非参数贝叶斯稀疏因子模型及其在基因表达建模中的应用

PDF
TL;DR提出了一种非参数贝叶斯因子分析（FA）的扩展，其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆，使用印度自助餐过程（IBP）作为先验来描绘稀疏性并允许推断潜在特征的数量，使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。
nonparametric bayesian extensionfactor analysisindian buffet processsparsitygene expression data
发现论文，激发创造
  • 无限层级因子回归模型

    提出一种非参数贝叶斯因子回归模型，考虑因子个数的不确定性和因子间的关系，通过 Kingman coalescent 基于因子的分层模型，将其与 sparse Indian Buffet Process 相结合，应用于基因表达数据分析中的因子分析和因子回归问题。

    Aug, 2009

  • 贝叶斯群组因子分析

    这篇文章介绍了一种基于 group-wise 稀疏因子的因子分析模型，可以用于处理神经影像或者化学系统生物学方面的数据分析任务。

    Oct, 2011

  • 多个数据源双聚类的稀疏组因子分析

    提出一种贝叶斯方法，用于联合双聚类多个数据来源，使得数据驱动检测出数据来源中存在的线性结构，仿真研究表明该方法可在异质数据来源中可靠地推断出双聚类，并在 NCI-DREAM 药物敏感性预测挑战赛中取得了良好的预测准确性。

    Dec, 2015

  • 非参数贝叶斯因子分析动态计数矩阵

    提出一种 Gamma 过程动态泊松因子分析模型，通过建立一个新的马尔科夫链来推断 Gamma 形状参数，应用于文本和音乐分析，取得最先进的结果。

    Dec, 2015

  • 稀疏无限随机特征潜变量建模

    本文提出了一种基于贝叶斯非参数潜变量模型的非线性方法，假设潜空间先验为稀疏和无限维。该方法通过使用印度自助餐过程先验在潜变量上，自动且概率地选择潜变量数目，保证潜变量空间中实例化的维度数目是有限的，实现了稀疏、非线性的潜变量建模，引入随机傅里叶近似法以简化推理，并通过马尔可夫链 - 蒙特卡罗采样容易地实现后验推断。该方法适用于超出高斯设置范围的多种观察模型，在合成、生物和文本数据集上的表现优于以往的潜变量模型。

    May, 2022

  • 动态特征模型的泊松随机场

    我们提出了 Wright-Fisher 印度自助餐过程 (WF-IBP)，这是一个适用于贝叶斯非参数特征分配模型的概率模型，其中潜在特征根据时间表现出依赖结构，我们描述了一个复杂的 Markov Chain Monte Carlo 算法来对其进行确切的后验模拟，并将其应用于开发无参数的主题模型。

    Nov, 2016

  • 非参数贝叶斯负二项式因子分析

    通过构造负二项分析（NBFA）来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性，并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型，实现快速收敛和低计算复杂度的阻塞吉布斯采样器，提供比以前的方法更具优势的紧凑表示，预测能力和计算复杂性。

    Apr, 2016

  • 具有自适应后验浓度的贝叶斯稀疏因子模型

    本文提出了一种用于高维稀疏因子模型的新贝叶斯推理方法，该方法允许推断因子维数和载荷矩阵的稀疏结构；介绍了一种特定的依赖关系，使得后验分布在保持计算可行性的同时自适应聚焦于正确的因子维度和载荷矩阵的稀疏水平；数值研究表明该方法表现优异。

    May, 2023

  • 通过子模最大化扩展印度自助餐流程

    使用 Kurihara 和 Welling（2008 年）的极大期望框架进行线性高斯潜在特征模型的近似 MAP 推断，在模型证据的下限上得到一种次模函数。通过使用贪心算法最大化此函数，我们的推理方法与输入数据的规模呈线性比例。

    Apr, 2013

  • 贝叶斯布尔矩阵分解

    介绍了一种概率生成模型 ——OrMachine，用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器，实现了高效的并行后验推断，并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法，首次为布尔矩阵分解提供了完整的后验推断，在协同过滤中用于控制假阳性率，并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集，如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。

    Feb, 2017