Inference on covariance structure in high-dimensional multi-view data
高维多视图数据协方差结构的推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的因子用于多组学协方差建模，缺少宏观因子或金融因子研究的文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维多视图数据协方差结构的推断
- 研究问题
- 如何对高维多视图数据的共享与视图特有协方差结构进行估计和不确定性量化，同时减轻后验计算负担？
- 方法与思路
- 作者用谱分解估计并对齐潜在因子，再条件于这些因子设置联合共轭先验，使后验分解为正态逆伽马分布。
- 材料陈述的贡献
- 摘要称，该构造避免 MCMC，并给出维度增长下的后验收缩及点估计中心极限定理，应用于癌细胞多组学整合。
- 阅读关注点
- 应核对共享与特有因子的可区分条件、因子估计误差如何进入后验理论，以及区间是否充分反映前序估计的不确定性。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断维度增长限制、先验敏感性或区间校准的具体范围；不推断其他版本变化。
原文摘要
Summary This article focuses on covariance estimation for multi-view data. Popular approaches rely on factor-analytic decompositions with shared and view-specific latent factors. Posterior computation is conducted via expensive and brittle Markov chain Monte Carlo sampling or variational approximations that underestimate uncertainty and lack theoretical guarantees. Our proposed methodology employs spectral decompositions to estimate and align latent factors that are active in at least one view. Conditionally on these factors, we choose jointly conjugate prior distributions for factor loadings and residual variances. The resulting posterior is a simple product of normal-inverse gamma distributions for each variable, bypassing Markov chain Monte Carlo and facilitating posterior computation. We prove favourable increasing-dimension asymptotic properties, including posterior contraction and central limit theorems for point estimators. We show excellent performance in simulations, including accurate uncertainty quantification, and apply the methodology to integrate four high-dimensional views from a multi-omics dataset of cancer cell samples.