Resistant Multiple Sparse Canonical Correlation
典型相关分析（CCA）是一种多变量技术，它采用两个数据集并在它们之间形成最高度相关的可能线性组合对。随后的每一对线性组合都与前一对正交，这意味着从每一对中收集到新的信息。通过查看系数值的大小，我们可以找出哪些变量可以分组在一起，从而更好地理解难以直观计算或掌握的多个相互作用。CCA似乎对高通量数据有相当强大的应用，因为我们可以用它来发现，例如，基因表达和基因拷贝数变异之间的关系。CCA最大的问题之一是变量的数量（通常超过10，000）使得线性组合的生物学解释几乎不可能。为了限制变量输出，我们采用了一种称为稀疏典型相关分析（SCCA）的方法，同时增加了对极端观测或其他类型的偏差数据具有抵抗力的估计。在本文中，我们已经证明了成功的抗性估计变量选择使用SCCA。此外，我们还使用SCCA来查找多个规范对，以扩展有关手头数据集的知识。同样，在多重典型相关设置中，使用抵抗估计比标准估计提供更准确的估计。R代码可在https://github.com/hardin47/rmscca上获得并记录。
2015-12-20 stat.ME
A D.C. Programming Approach to the Sparse Generalized Eigenvalue Problem
在本文中，我们考虑的稀疏特征值问题，其中的目标是获得一个稀疏的解决方案的广义特征值问题。我们实现了这一点，通过约束的广义特征值问题的解决方案的基数，并获得稀疏主成分分析（PCA），稀疏典型相关分析（CCA）和稀疏Fisher判别分析（FDA）的特殊情况。不同于$\ell_1$ -范数近似的基数约束，以前的方法中使用的稀疏PCA的上下文中，我们提出了一个更紧密的近似，是相关的学生的t-分布的负对数似然。然后，该问题被框定为一个直流（凸函数的差异）的程序，并解决了作为一个序列的凸规划通过调用优化-最小化方法。证明了所得到的算法表现出\emph{global convergence}行为，即，对于任何随机初始化，由该算法生成的迭代序列（子序列）收敛到D.C.程序的稳定点。该算法的性能在稀疏PCA（在高维基因数据集中找到尽可能多的解释方差的相关基因）和稀疏CCA（用于音乐检索的跨语言文档检索和词汇选择）应用程序上都得到了经验证明。
2009-10-13 stat.ME stat.ML
Nonlinear Sparse Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data
New York University（纽约大学）；University of California, San Francisco（加州大学旧金山分校）；East China Normal University（华东师范大学）；University of Michigan（密歇根大学）
针对多视图高维数据，提出三种非线性稀疏广义CCA方法（HSIC-SGCCA、SA-KGCCA、TS-KGCCA），其中HSIC-SGCCA通过块近线性与线性化ADMM求解非凸问题，并在模拟和TCGA-BRCA数据上优于现有方法。
2025-02-26 cs.LG stat.ML
Sparse CCA via Precision Adjusted Iterative Thresholding
稀疏典型相关分析（CCA）是研究两组随机变量之间关系的高维数据分析方法。然而，尽管积极的方法和应用研究活动，稀疏CCA在高维环境中的理论统计基础非常少。在本文中，我们引入了一个基本的充分和必要的特征，使CCA的解决方案确实是稀疏的，提出了一个计算效率的程序，称为CAPIT，估计的典范方向，并表明该程序是速率最优的各种假设下的冗余参数。该程序被应用于癌症基因组图谱项目的乳腺癌数据集。我们确定了与基因相关的甲基化探针，这些基因以前被描述为乳腺癌转移的预后标志。
2013-11-24 math.ST stat.ME stat.ML
Sparse Canonical Correlation Analysis via Concave Minimization
University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
提出了一种新的稀疏典型相关分析（sCCA）方法，其目的是在高维多视图问题中发现可解释的关联，即对同一主题的多组变量的观察。受Albernee等人（2010）的稀疏PCA方法的启发，我们还证明了稀疏CCA公式，虽然是非凸的，但等价于一个紧集上凸目标的最大化程序，为此我们提出了一阶梯度方法。这个结果帮助我们将搜索空间大幅减少到集合的边界。因此，我们提出了一个两步算法，其中我们首先使用我们的快速算法推断典型方向的稀疏模式，然后我们缩小每个视图，即一组协变量的观测值，以包含在前一步中选择的协变量集的观测值，并通过任何CCA算法计算其典型方向。我们还介绍了Directed Sparse CCA，它能够找到与指定实验设计一致的关联，以及Multi-View sCCA，用于发现多组协变量之间的关联。我们的模拟建立优越的收敛性能和计算效率，我们的算法，以及在典型的相关性和它的能力，以恢复支持的典型方向的准确性。我们研究代谢组学，transncripomics和微生物组学之间的关联在一个多组学研究使用MuLe，这是一个R-包，实现我们的方法，为了形成假设的机制，果蝇黑腹果蝇适应高剂量的环境毒物，特别是阿特拉津，这是一种常用的化肥。
2019-09-17 cs.LG stat.ML
Linear Functional Testing with General Loadings in Sparse Regression: Separation Rates and Computational Barriers
Department of Statistics and Data Science, National University of Singapore（新加坡国立大学统计与数据科学系）
本文研究了在高维稀疏线性回归中，针对高斯随机设计和未知设计协方差的H0:ξ^Tβ=t0检验问题。构造了一个计算高效的混合检验方法，给出了适应性分离距离的上界，并建立了信息论下界。在超稀疏情况下，这些界限在任意ξ下描述了适应性分离率，而在中等稀疏情况下，这些界限在某些加载向量类别中匹配，但可能在一般情况下不同。此外，本文证明了一个低次下界，与上界在对数因子内匹配，表明改进混合检验的速率可能在统计上难以实现。对于平坦稀疏加载，本文通过稀疏CCA的多项式时间归约提供了进一步证据。最后，本文探讨了设计协方差信息如何影响适应性分离率，在稀疏符号尖峰协方差模型下，信息论下界可通过非高效的算法达到，而低次下界和稀疏CCA归约仍适用，提供了统计-计算差距的证据。当设计协方差已知且对角时，适应性分离率形式与超稀疏情况相同。
2026-05-20 cs.CC math.ST stat.TH
A simple and provable algorithm for sparse diagonal CCA
给定从一组公共样本中导出的两组变量，稀疏典型相关分析（CCA）寻求每组中少量变量的线性组合，使得诱导的典型变量具有最大相关性。稀疏CCA是NP难的。我们提出了一种新的稀疏对角CCA的组合算法，即，稀疏CCA的附加假设下，每个集合内的变量是标准化的和不相关的。我们的算法对输入数据进行低秩近似，其计算复杂度与输入变量的数量呈线性关系。它实现简单，可并行化。与大多数现有的方法相比，我们的算法管理精确的控制所提取的规范向量的稀疏性，并与理论数据相关的全局近似保证，这取决于输入数据的频谱。最后，它可以直接适用于CCA执行结构的其他约束变体，而不是稀疏性。我们经验性地评估所提出的方案，并将其应用于一个真正的神经成像数据集，以调查大脑活动和行为测量之间的关联。
2016-05-29 cs.DS cs.IT math.IT
Sparse GCA and Thresholded Gradient Descent
University of Pennsylvania（宾夕法尼亚大学）
广义相关分析（GCA）关注的是发现多个数据集之间的线性关系。它概括了为两个数据集设计的典型相关分析。我们研究稀疏GCA时，有潜在的多个广义相关元组的数据和负载矩阵有少量的非零行。它包括稀疏CCA和稀疏PCA的相关矩阵作为特殊情况。我们首先制定稀疏GCA广义特征值问题，在人口和样本水平通过仔细选择的归一化约束。基于样本优化问题的拉格朗日形式，我们提出了一个阈值梯度下降算法来估计高维的GCA加载向量和矩阵。我们推导出紧估计误差界的算法产生的估计与适当的初始化。我们还展示了一些合成数据集上的算法的威力。
2023-02-06 cs.LG stat.ML
Sparse Weighted Canonical Correlation Analysis
State Key Laboratory of Software Engineering, School of Computer, Wuhan University（武汉大学计算机学院软件工程国家重点实验室）；School of Mathematics Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
给定两个数据矩阵$X$和$Y$，稀疏典型相关分析（SCCA）就是寻找两个稀疏典型向量$u$和$v$，以最大化$Xu$和$Yv$之间的相关性。然而，经典和稀疏CCA模型考虑了数据矩阵的所有样本的贡献，因此无法识别潜在的特定样本子集。为此，我们提出了一种新的稀疏加权典型相关分析（SWCCA），其中权重用于正则化不同的样本。我们使用交替迭代算法求解$L_0$ -正则化SWCCA（$L_0$ -SWCCA）。我们将$L_0$ -SWCCA应用于合成数据和真实数据，以证明其有效性和优越性。最后，我们还考虑了SWCCA与不同的惩罚，如LASSO（最小绝对收缩和选择算子）和组LASSO，并将其扩展为集成三个以上的数据矩阵。
2017-10-13 cs.LG stat.ML
Probabilistic Canonical Correlation Analysis for Sparse Count Data
典型相关分析（CCA）是研究两组连续变量之间关系的经典而重要的多元分析方法。CCA在基因组学和神经影像学等许多领域都有应用。它可以提取有意义的特征，并将这些特征用于后续分析。尽管已经开发了一些稀疏CCA方法来处理高维问题，但它们是专门针对连续数据设计的，并且不考虑来自下一代测序平台的整数值数据，这些数据对于一些重要特征表现出非常低的计数。我们提出了一个基于模型的概率方法的相关性和典型相关估计两个稀疏计数数据集（PSCCA）。PSCCA表明，在自然参数水平上估计的相关性和典型相关性比应用于原始数据的传统估计方法更合适。我们通过模拟研究表明，PSCCA优于其他标准的相关方法和稀疏CCA方法在估计真实的相关性和典型的相关性在自然参数水平。我们进一步应用PSCCA方法来研究来自鳞状细胞肺癌研究的miRNA和mRNA表达数据集的关联，发现PSCCA可以比标准相关和其他稀疏CCA方法发现大量强相关对。
2020-05-11 stat.ME stat.ML
Sparse Canonical Correlation Analysis
提出了一种新的稀疏凸框架下的典型相关分析（CCA）的最小二乘法求解方法。所提出的方法侧重于当人们对第一视图的原始表示感兴趣（或限于）而对第二视图具有双重表示时的场景。稀疏CCA（SCCA）最大限度地减少了原始和双重投影中使用的特征数量，同时最大限度地提高了两个视图之间的相关性。该方法被证明在两个配对语料库的英语-法语和英语-西班牙语的配偶检索。我们能够观察到，在mate-retreival，当原始特征的数量是大的SCCA优于核CCA（KCCA），从稀疏的特征集学习共同的语义空间。
2009-08-19 stat.ME stat.ML
Sparse canonical correlation analysis for multiple measurements with latent trajectories
针对标准CCA无法处理重复测量、现有扩展方法高维分析效果不佳的问题，提出一种纳入纵向时间动态的稀疏CCA扩展方法，可高效估计聚类数据的典型相关性，缩短计算时间并提供可解释的纵向轨迹。
2025-03-19 stat.ME
Integrative analysis of transcriptomic and metabolomic data via sparse canonical correlation analysis with incorporation of biological information
不同高维数据类型的集成分析正变得越来越流行。类似地，在数据分析中纳入变量之间的先前函数关系一直是越来越感兴趣的话题，因为它有助于阐明复杂疾病之间的潜在机制。在本文中，我们的目标是评估来自预测健康研究所（PHI）研究的转录组学和代谢组学数据之间的关联，该研究包括处于心血管疾病高风险的健康成年人。为此，我们开发了统计方法，用于确定稀疏结构的典型相关分析（CCA）与生物/结构信息的结合。我们提出的方法使用基因之间和代谢物之间的先验网络结构信息来指导稀疏CCA中相关基因和代谢物的选择，从而提供对心血管疾病分子基础的深入了解。我们的模拟结果表明，结构化稀疏CCA方法优于现有的稀疏CCA方法在选择相关的基因和代谢物时，结构信息是翔实的，是强大的错误指定的结构信息。我们对PHI研究的分析表明，许多基因和代谢途径，包括一些已知与心血管疾病相关的基因和代谢途径，在我们提出的方法选择的基因和代谢物的子集中富集。
2016-06-08 stat.AP stat.ME
Eigenvector-based sparse canonical correlation analysis: Fast computation for estimation of multiple canonical vectors
经典的典型相关分析（CCA）要求矩阵是低维的，即特征的数量不能超过样本量。CCA的最新发展主要集中在高维设置，其中分析的两个矩阵中的特征数量大大超过了样本量。这些方法在需要迭代求解的优化问题中施加惩罚，并顺序地估计多个典型向量。在这项工作中，我们提供了稀疏多元回归与稀疏典型相关分析之间的明确联系，以及一种有效的算法，可以同时估计多个典型对，而不是顺序。此外，该算法自然允许并行计算。这些性质使得算法更加有效。我们提供了理论结果的一致性的典范对。该算法和理论的发展是基于解决的特征向量问题，显着区分我们的方法与现有的方法。仿真结果支持所提出的方法的改进性能。我们应用基于特征向量的CCA分析GTEx甲状腺组织学图像，分析SNP和RNA-seq基因表达数据以及微生物组研究。实际数据分析也表明，改进的性能相比，传统的稀疏CCA。
2021-06-08 stat.AP stat.ME
Do algorithms and barriers for sparse principal component analysis extend to other structured settings?
National University of Singapore（新加坡国立大学）；Georgia Institute of Technology（佐治亚理工学院）
在 spiked Wishart 模型下研究 union-of-subspace 结构的主成分分析，建立依赖几何特性的基本极限，证明 projected power method 的局部收敛性，并通过对 path 和 tree sparsity 的分析展示计算难度证据。
2023-12-31 cs.LG stat.ML
A framework for interpretation and testing of sparse canonical correlations
针对高维多数据集整合的稀疏CCA可解释性问题，提出基于软阈值的稀疏CCA方法，无需调参、初始化依赖低，相比PMA可解释性更优且信号发现能力不弱甚至更强。
2023-10-04 stat.ME
Efficient Canonical Correlation Analysis with Sparsity
University of Chicago（芝加哥大学）；University of Toronto（多伦多大学）
针对高维CCA中计算速度与统计严谨性的矛盾，提出快速且可证明一致的稀疏CCA算法ECCAR，通过降秩回归实现无投影高效求解，在模拟和生物数据及ML可解释任务中验证了其可靠性与实用性。
2026-09-11 stat.ME
High Dimensional Sparse Canonical Correlation Analysis for Elliptical Symmetric Distributions
针对椭圆对称分布下两个高维随机向量的线性关系研究，本文提出结合空间符号协方差矩阵与稀疏诱导惩罚项的鲁棒高维稀疏CCA方法，理论与实验证明其在重尾分布下优于现有方法，提供高维CCA的稳定高效解决方案。
2025-04-17 stat.ME
$\ell_1$-norm constrained multi-block sparse canonical correlation analysis via proximal gradient descent
多块CCA构建线性关系，解释跨多个数据块的相干变化。我们认为，多块CCA的问题，寻找领先的广义特征向量，并提出解决它通过一个近似梯度下降算法与$\ell_1$约束的高维数据。特别是，我们使用衰减序列的约束在最近的迭代，并表明，由此产生的估计是速率最优的适当的假设下。虽然以前的几个作品已经证明了这种最优的$\ell_0$约束问题使用迭代方法，同样的水平的理论理解的$\ell_1$约束制定仍然缺乏。我们还描述了一个易于实现的放气过程来估计多个特征向量顺序。我们比较我们的建议，现有的几种方法，其实现可在R CRAN，所提出的方法在模拟和真实数据的例子中表现出竞争力的性能。
2022-01-14 math.ST stat.ME stat.ML
A Bayesian Methodology for Estimation for Sparse Canonical Correlation
本文提出一种新的贝叶斯结构化稀疏CCA方法，通过贝叶斯无限因子模型、乘性半柯西先验和图马蹄先验在载荷矩阵与协方差矩阵两个层面鼓励稀疏性，并在模拟和乳腺癌多组学数据上验证了其稳健估计性能。
2023-10-30 stat.CO stat.ME stat.ML
A greedy approach to sparse canonical correlation analysis
我们考虑稀疏典型相关分析（CCA）的问题，即，对两个线性组合的搜索，每一个多元变量对应一个线性组合，使用指定数量的变量产生最大的相关性。我们提出了一个有效的数值逼近的基础上，直接贪婪的方法，在每个阶段的相关性的界限。该方法是专门设计来处理大数据集，其计算复杂度只取决于稀疏水平。我们通过相关性和简约性之间的权衡来分析算法的性能。数值模拟的结果表明，一个显着的相关性的一部分，可以使用相对较少的变量。此外，当可用样本数量与多变量的维度相比较少时，我们研究了稀疏CCA作为正则化方法的使用。
2008-01-17 stat.CO stat.ME
Statistical-Computational Tradeoffs in Mixed Sparse Linear Regression
University of Cambridge（剑桥大学）
本文研究双分量混合稀疏线性回归的统计-计算权衡，通过低次多项式方法证明其仅在极窄的对称参数区域内计算困难，并给出样本复杂度与运行时间的平滑权衡，同时提出一种简单阈值算法在困难区域之外以 O(np) 时间达到最优样本复杂度。
2023-07-06 cs.IT cs.LG math.IT
Two-Stage Robust Sparse Gradient Methods for Regression Under Heavy-Tailed Designs
Shanghai Jiao Tong University（上海交通大学）；Tongji University（同济大学）；University of Macau（澳门大学）
针对重尾协变量和噪声下的高维稀疏回归，提出两阶段RIGHT方法，利用坐标-wise中位数均值梯度估计和延迟样本分裂，实现相位自适应收敛，并揭示设计尾指数与噪声尾指数对梯度稳定性和统计速率的解耦影响。
2026-06-03 stat.ME
A Sub-Quadratic Time Algorithm for Robust Sparse Mean Estimation
IBM Research（IBM研究院）
针对高维下现有鲁棒稀疏均值估计算法受样本协方差矩阵限制存在二次运行时间障碍的问题，提出基于弱相关性检测、使用多项式数量样本的次二次时间算法，并给出鲁棒稀疏PCA的类似结果。
2024-03-07 cs.DS cs.LG math.ST
FDR-Corrected Sparse Canonical Correlation Analysis with Applications to Imaging Genomics
减少错误发现的数量是目前生命科学中最紧迫的问题之一。这对于神经成像和基因组学中的许多应用尤其重要，其中数据集通常是高维的，这意味着解释变量的数量超过了样本量。错误发现率（FDR）是可以用于解决该问题的标准。因此，它已经获得了很大的普及作为一种工具来测试多个假设。典型相关分析（CCA）是一种统计技术，用于理解在同一组样本上收集的两组测量值的互相关（例如，相同精神疾病患者的脑成像和基因组数据），稀疏CCA将经典方法扩展到高维设置。在这里，我们提出了一种方法，应用FDR的概念稀疏CCA，和一种方法来控制FDR。所提出的FDR校正直接影响解的稀疏性，使其适应未知的真实稀疏水平。理论推导和仿真研究表明，我们的程序确实保持FDR的规范向量低于用户指定的目标水平。我们将所提出的方法应用于费城神经发育队列的成像基因组学数据集。我们的研究结果将通过功能性磁共振成像（fMRI）测量的情感识别任务期间大脑活动产生的大脑连接概况与相应受试者的基因组数据联系起来。
2018-06-23 q-bio.QM stat.AP stat.ME
Minimax and Adaptive Transfer Learning for Sparse Canonical Correlation Analysis
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）
本文提出稀疏CCA的迁移学习框架，通过异质源数据提升目标估计，建立最小最大最优速率并设计自适应算法，无需稀疏度先验，同时提出源检测程序并推广sin-theta定理。
2026-10-06 stat.ME
Detection thresholds in very sparse matrix completion
令$A$是大小为$m\times n$的矩形矩阵，并且$A_1$是随机矩阵，其中$A$的每个条目乘以具有参数$1/2$的独立的$\{0,1\}$ -伯努利随机变量。本文讨论了随机诱导非对称矩阵$A_1 (A - A_1)^*$和$(A-A_1)^*A_1$的非厄米特本征谱比其奇异值分解或$A A^*$和$A^* A$的本征谱在何时、如何以及为什么能捕捉到更多关于$A$主成分结构的相关信息。提示：非对称性导致随机性打破了削弱SVD的回声室效应。我们说明了应用程序的低秩矩阵完成问题的设置，每个条目观察概率$d/n$，包括非常稀疏的制度，其中$d$是为了$1$，通过奇异值分解的$A$矩阵完成失败或产生不可靠的恢复。我们确定了一个渐近精确的，依赖于矩阵的，非通用的检测阈值，超过该阈值，使用一种新的，通用的数据驱动的矩阵完成算法的可靠的，统计上最优的矩阵恢复是可能的。平均左和右特征向量可证明提高了恢复矩阵，但不是检测阈值。我们定义了另一种不对称的程序，绕过随机化的步骤，并具有检测阈值，这是一个常数因子较小，但与一个计算成本是由观察到的条目的数量的多项式因子较大。这两个检测阈值打破了表面上的障碍，由于众所周知的信息理论极限$d \asymp \log n$矩阵完成在文献中发现。
2020-08-04 math.PR math.ST stat.TH
Optimal Average-Case Reductions to Sparse PCA: From Weak Assumptions to Strong Hardness
Massachusetts Institute of Technology（麻省理工学院）
在过去的十年中，稀疏主成分分析已经成为一个典型的问题，说明计算的权衡。这一趋势在很大程度上是由一系列研究驱动的，这些研究旨在通过从种植集团（PC）猜想的减少来表征稀疏PCA的平均情况复杂度-这表明没有多项式时间算法来检测$\mathcal{G}(N, \frac{1}{2})$中$K = o(N^{1/2})$大小的种植集团。所有以前的减少稀疏PCA要么没有显示出紧密的计算下限匹配现有的算法或显示出较低的界限，制定稀疏PCA以外的规范生成模型，尖峰协方差模型。而且，这些下界都随着PC猜想中的指数而迅速退化。具体地说，当仅给定PC猜想直到$K = o(N^α)$，其中$α< 1/2$时，不存在这些下界保持紧密的稀疏水平$k$。如果$α\le 1/3$，这些减少甚至不能显示在任何稀疏度$k$的计算-计算折衷的存在。我们从PC产生的第一个完整的表征的计算障碍的尖峰协方差模型，在所有的稀疏$k$提供严格的下限减少。我们还显示了令人惊讶的结果，较弱形式的PC猜想集团大小$K = o(N^α)$为任何给定的$α\in (0, 1/2]$意味着紧密的计算下界稀疏PCA稀疏$k = o(n^{α/3})$。这表明，即使是最知名的多项式时间稀疏PCA算法所需的信号强度的轻微改善也意味着PC的硬度阈值是次多项式。这是第一个次优硬度假设的例子，暗示了无监督学习中另一个问题的最优下限。
2019-02-20 cs.CC cs.LG math.PR
Variable selection in social-environmental data: Sparse regression and tree ensemble machine learning approaches
目的：从美国人口普查中获得的社会环境数据是了解健康差异的重要资源，但很少使用完整的数据集进行分析。整合完整数据的一个障碍是缺乏可靠的变量选择建议，研究人员经常手工选择一些变量。因此，我们评估了经验机器学习方法识别与健康结果具有真实关联的社会环境因素的能力。材料与方法：我们比较了几种流行的机器学习方法，包括惩罚回归（例如套索，弹性网）和树集成方法。通过模拟，我们评估了这些方法识别与二元和连续结果真正相关的人口普查变量的能力，同时最大限度地减少假阳性结果（10个真实关联，1,000个总变量）。我们将最有希望的方法应用于与前列腺癌登记数据（n= 76，186例）相关的完整普查数据（p= 14，663个变量），以确定与晚期前列腺癌相关的社会环境因素。结果：在模拟中，我们发现，弹性网确定了许多真阳性变量，而套索提供了良好的控制假阳性。使用组合测量的准确性，层次聚类的基础上斯皮尔曼的相关性与稀疏组套索回归进行了最好的整体。贝叶斯自适应回归树优于其他树集成方法，但不是稀疏组套索。在完整的数据集中，稀疏组套索成功地识别了一个变量子集，其中三个重复了早期的发现。讨论内容：这项分析证明了经验机器学习方法的潜力，以确定一小部分人口普查变量与结果有真正的关联，并在经验方法之间复制。
2020-08-31 stat.AP
Minimax Quasi-Bayesian estimation in sparse canonical correlation analysis via a Rayleigh quotient function
Boston University（波士顿大学）
针对稀疏 CCA 中速率最优估计计算昂贵的问题，提出基于 Rayleigh 商拟似然与 spike-and-slab 先验的 MCMC 拟贝叶斯方法，达到 minimax 速率并在实验及 Covid-19 数据分析中表现优越。
2023-11-02 cs.LG stat.CO stat.ME
