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

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。

Nov, 2010

通过变分推断较之前更灵活地将模态多样性因子分析模型扩展到可以描述变量集合之间的关系，利用两级层次结构模型来解决组因素分析问题，且表现出更好的表现力和适用性。

Nov, 2014

该研究回顾了几种用于识别基因表达数据中最重要的聚类的双聚类方法，重点介绍了 SSVD（稀疏 SVD）方法，并尝试了一种新的稀疏惩罚，名为 “Prenet 惩罚”，该方法在因子分析中仅被使用，以获得稀疏性。随后，在模拟研究中，我们尝试了不同类型的生成数据集（具有不同的稀疏性和维度），并尝试了一层和 k 层逼近，结果表明混合 Prenet 惩罚对于非重叠数据非常有效。最后，我们使用了一些真实的基因表达数据来展示我们方法的行为。

Aug, 2023

使用贝叶斯分层模型基于狄利克雷过程，对转录因子 Motif 聚类，减少大数据库中的冗余，该聚类模型可用于许多聚类应用，如预测共同调控的基因。

Oct, 2006

本文介绍了一种新颖的双向耦合聚类方法，用于基因芯片数据的分析：通过基于迭代聚类的算法，找到适合聚类的基因和样本的子集，从而发现在纯数据聚类时被掩盖和隐藏的新的数据分区和相关性；本方法被应用于两个基因芯片数据集，包括结肠癌和白血病数据集。

Apr, 2000

本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

Oct, 2012

本文提出了一种基于图的潜因子分析模型，将隐藏的高阶交互与重复的低秩嵌入相结合，从而提高了对高维稀疏矩阵的表示学习能力，并在三个真实数据集上验证了其在预测丢失数据方面的优越性。

Apr, 2022

研究了一个凸形式的双聚类问题，其中提出了一种迭代算法 COBRA，此算法拥有全局极小值并且生成一个整体的解决方案。它包含了稳定性和可重复性的优点，并在模拟和实际微阵列数据上具有优点。

Aug, 2014

该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013