[论文解读] D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multiple High-dimensional Datasets

Hai Shu, Zhe Qu+1 more|arXiv (Cornell University)|Jan 9, 2020

Gene expression and cancer classification参考文献 52被引用 4

一句话总结

D-GCCA 提出了一种基于分解的广义典型相关分析方法，通过在随机变量的 L2 空间中利用正交潜在因子，将高维数据集中的共同变异和特异性变异分离开来，从而对多组学数据进行建模。该方法实现了稳定且具有闭式解的估计器，在有限样本下表现优越，计算效率高，在模拟和真实数据中均优于当前最先进的方法。

ABSTRACT

Modern biomedical studies often collect multiple types of high-dimensional data on a common set of objects. A popular model for the joint analysis of multi-type datasets decomposes each data matrix into a low-rank common-variation matrix generated by latent factors shared across all datasets, a low-rank distinctive-variation matrix corresponding to each dataset, and an additive noise matrix. We propose decomposition-based generalized canonical correlation analysis (D-GCCA), a novel decomposition method that appropriately defines those matrices on the L2 space of random variables, whereas most existing methods are developed on its approximation, the Euclidean dot product space. Moreover to well calibrate common latent factors, we impose a desirable orthogonality constraint on distinctive latent factors. Existing methods inadequately consider such orthogonality and can thus suffer from substantial loss of undetected common variation. Our D-GCCA takes one step further than GCCA by separating common and distinctive variations among canonical variables, and enjoys an appealing interpretation from the perspective of principal component analysis. Consistent estimators of our common-variation and distinctive-variation matrices are established with good finite-sample numerical performance, and have closed-form expressions leading to efficient computation especially for large-scale datasets. The superiority of D-GCCA over state-of-the-art methods is also corroborated in simulations and real-world data examples.

研究动机与目标

• 为了解决现有方法在欧几里得内积空间中运行而非真实的随机变量 L2 空间中的局限性。
• 通过在特异性变异分量上施加正交性约束，提升对共同潜在因子的检测能力。
• 为多个高维数据集提供一种原理清晰的分解方法，将其分解为共同、特异和噪声成分。
• 为共同和特异性变异矩阵开发一致且具有闭式解的估计器，确保大规模数据下的计算效率。
• 通过将分解过程与主成分分析原理相联系，提供更具可解释性的框架。

提出的方法

• 在随机变量的 L2 空间中构建多个高维数据集的联合分析框架，确保统计严谨性。
• 将每个数据矩阵分解为三个分量：低秩的共同变异矩阵（在所有数据集中共享）、低秩的特异性变异矩阵（每个数据集独有）以及加性噪声矩阵。
• 对特异性潜在因子施加正交性约束，以防止共同变异的泄露，从而提高估计精度。
• 在 L2 框架下利用谱分解推导共同和特异性变异矩阵的一致估计器。
• 采用分解分量的闭式解，即使在大规模数据集下也能实现高效计算。
• 通过显式地将典型变量分解为共同和特异性变异源，扩展了广义典型相关分析（GCCA）。

实验结果

研究问题

• RQ1 在随机变量的 L2 空间中基于分解的方法，是否能相较于欧几里得空间近似，更好地估计多组学数据中的共同和特异性变异？
• RQ2 在特异性潜在因子上施加正交性约束，对高维数据集中未检测到的共同变异的检测能力有何影响？
• RQ3 能否为共同和特异性变异矩阵推导出保证一致性和计算效率的闭式估计器？
• RQ4 在有限样本性能和真实世界及模拟多组学数据的鲁棒性方面，D-GCCA 与当前最先进的方法相比表现如何？
• RQ5 所提出的方法是否通过在分解过程中与主成分分析原理保持一致，提供了更具可解释性的框架？

主要发现

• D-GCCA 在 L2 空间框架下实现了对共同和特异性变异矩阵的一致估计，优于依赖欧几里得近似的现有方法。
• 对特异性因子施加正交性约束显著减少了未检测到的共同变异的损失，提升了检测能力。
• 该方法提供了闭式估计器，确保了高效计算，尤其适用于大规模高维数据集。
• 实证结果表明，D-GCCA 在模拟研究和真实多组学数据应用中均优于现有最先进的方法。
• 该分解框架清晰且可解释地分离了共同和特异性变异，与主成分分析的理论基础保持一致。