抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高次元オミクスデータの解析における重要な問題は,興味ある表現型と関連する分子変数のサブセットを同定することである。これは,高次元,強い多重共線性,およびモデル不確実性の課題に対処する必要がある。著者らは,STructural RANDomized Selected(STRANDS)と呼ばれるスパースペナルティ回帰法の性能を改善するための新しいアンサンブル学習手法を提案した。ランダムLasso法で構築して改善するアプローチは,2つのステップから成る。両ステップにおいて,変数の反復サブサンプリングによって次元を低減した。各サブサンプルデータセットにペナルティ回帰法を適用し,平均結果を得た。第1ステップでは,サブサンプリングは,可変相関構造,第2ステップで,第1ステップから変数重要度測度によってインフォームドされる。STRANDSは,「ベース学習者」として任意のスパースペナルティ回帰アプローチで使用できる。合成データと実際の生物学的データセットを用いて,STRANDSはそのベース学習者で典型的に改善し,第一段階における相関構造を考慮することはモデル空間が探索できる効率を改善するのに役立つことを示した。【JST・京大機械翻訳】