Testing and segmentation of joint and individual components in integrative multi-source factor models
多源整合因子模型中共同与个体成分的检验及分离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：摘要涉及一般多源因子模型和多组学应用，未提供宏观因子或金融因子研究的直接证据。
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
多源整合因子模型中共同与个体成分的检验及分离
- 研究问题
- 作者研究多源数据整合中如何区分各来源共享的共同结构与来源特有的变化，并准确确定共同成分的秩，同时降低计算负担。
- 方法与思路
- 作者提出多源序贯对齐检验 MSSAT，利用共同成分得分子空间跨来源对齐的几何特征，推导零假设渐近分布并构建无需重抽样的检验。
- 材料陈述的贡献
- 摘要称，该程序可估计共同秩；模拟及包括 TCGA 多组学数据的应用显示，其分离准确度和计算速度优于所比较的方法。
- 阅读关注点
- 应核对子空间对齐统计量、零假设及渐近条件，序贯检验的错误控制，以及不同来源信号强弱与样本规模对分离结果的影响。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；具体条件、比较设置和改进幅度未说明。
原文摘要
Disentangling shared (joint) structures from source-specific (individual) variations is a fundamental task in multi-source data integration. Existing joint-individual models often rely on computationally intensive optimization or loose spectral bounds, leading to suboptimal separation accuracy and poor scalability. In this paper, we propose the Multi-Source Sequential Alignment Test (MSSAT). MSSAT leverages the geometric observation that true joint components manifest as closely aligned score subspaces across different data sources. By deriving the asymptotic null distribution of our alignment statistic, we develop a rigorous, resampling-free sequential testing procedure to accurately estimate the joint rank. Extensive simulations and real data applications, including a TCGA multi-omics dataset, demonstrate that MSSAT achieves superior separation accuracy and substantially faster computation compared to competing methods.