Introducing group-sparsity and orthogonality constraints in RGCCA
Résumé
RGCCA-a fast and flexible method-generalizes many other well-known methods in order to analyze data-sets comprising multiple blocks of variables. Here we extend RGCCA by adding two new constraints to the RCCCA optimization problem: 1) group sparsity and 2) orthogonality of the block weight vectors. These two constraints facilitate the interpretability of the results when analyzing high dimensional data with a group structure. We illustrate this new method-called gSGCCA-with the analysis of pediatric high-grade glioma data: a set comprising three data blocks. This analysis shows that these new constraints greatly improve the interpretability of the statistical analysis.
RGCCA est une méthode flexible et rapide qui-généralisant de nombreuses méthodes existantes-permet l'analyse de données structurées en plusieurs blocs hétérogènes. Nous présentons l'ajout dans RGCCA de deux nouvelles contraintes : une contrainte de parcimonie de groupes et une contrainte d'orthogonalité sur les poids de RGCCA. Ces deux contraintes ont pour but d'augmenter l'interprétabilité de l'analyse de données de grande dimension qui possèdent une structure de groupe. Nous appliquons cette nouvelle méthode-abrégée en gSGCCA-à l'analyse de données de gliome malin pédiatrique structurées en trois blocs. Nous montrons sur ces données le gain en interprétabilité apporté par les contraintes de parcimonie et d'orthogonalité.
Domaines
Statistiques [math.ST]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|