Boosting multi-view association testing via devariation
通过去变异预处理增强多视图关联检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究生物医学多视图关联检验，所用因子模型未与宏观或金融因子方向建立联系。
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
通过去变异预处理增强多视图关联检验
- 研究问题
- 在高维多视图数据中，视图内部依赖如何影响跨视图关联检验的信噪比，预处理能否在保留有效检验的同时提升功效？
- 方法与思路
- 作者提出去变异预处理，用惩罚低秩因子模型刻画视图内部依赖，并通过渐近功效分析、模拟和多模态神经影像应用评估。
- 材料陈述的贡献
- 摘要称，该处理在内部相关影响信噪比时提高渐近功效，在内部相关较弱时保持稳健，并报告模拟与影像应用的支持。
- 阅读关注点
- 应核对低秩模型与惩罚参数选择、预处理后的零假设分布，以及功效提升条件和内部依赖较弱时稳健性的具体含义。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明检验尺寸、理论正则条件及低秩模型误设的影响。
原文摘要
Understanding the interplay between high-dimensional data from different views is essential in biomedical research, particularly in fields such as genomics, neuroimaging and biobank-scale studies involving high-dimensional features. Existing statistical tests for the association between two random vectors often do not fully capture dependencies between views due to limitations in modeling within-view dependencies, particularly in high-dimensional data without clear dependency patterns, which can lead to a potential loss of statistical power. In this work, we propose a novel approach termed devariation which is considered a simple yet effective preprocessing method to address the limitations by adopting a penalized low-rank factor model to flexibly capture within-view dependencies. Theoretical analysis of asymptotic power shows that devariation increases statistical power, especially when within-view correlations impact signal-to-noise ratios, while maintaining robustness in scenarios without strong internal correlations. Simulation studies demonstrate devariation's superior performance over existing methods in various scenarios. We further validate devariation in multimodal neuroimaging data from the UK Biobank study, examining the associations between imaging-derived phenotypes (IDPs) from functional, structural, and diffusion magnetic resonance imaging (MRI).