研究人员开发了一个新的概率偏最小二乘（PPLS）框架，解决了现有拟合流程中的实际限制。该框架结合了噪声预估、约束似然优化和预测校准，提供了一个端到端的解决方案。该方法利用精确的Stiefel流形优化和噪声子空间估计，在包括多组学数据集在内的各种基准测试中实现了更高的准确性和校准不确定性。 AI
影响 为双视图学习引入了一种新颖的统计方法，有可能提高多组学数据分析的准确性和不确定性校准。
排序理由 该集群包含一篇详细介绍新统计方法及其在基准测试上评估的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.11607v1 Announce Type: new Abstract: Probabilistic partial least squares (PPLS) is a central likelihood-based model for two-view learning when one needs both interpretable latent factors and calibrated uncertainty. Building on the identifiable parameterization of Bouha…
Probabilistic partial least squares (PPLS) is a central likelihood-based model for two-view learning when one needs both interpretable latent factors and calibrated uncertainty. Building on the identifiable parameterization of Bouhaddani et al.\ (2018), existing fitting pipelines…