MARC

 008250123s2024        us                              c    eng  d
■001000017161236
■00520250211151328
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382830445
■035    ▼a(MiAaPQ)AAI31240441
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aNandy,  Sagnik.
■24510▼aOrchestrated  Approximate  Message  Passing:  A  Novel  Way  of  Multimodal  Data  Integration
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a224  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  A.
■500    ▼aAdvisor:  Bhattacharya,  Bhaswar  B.;Ma,  Zongming.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2024.
■520    ▼aMultimodal  data  analysis  has  garnered  considerable  attention  in  data  science  due  to  its  wide  applicability  across  several  scientific  disciplines.  However,  developing  efficient  and  statistically  sound  procedures  for  information  integration  in  multimodal  datasets  remains  a  challenge.  In  this  dissertation,  we  tackle  the  multimodal  data  integration  problem  using  a  variant  of  the  Approximate  Message  Passing  algorithm  introduced  in  Donoho  et  al.  (2009).  Our  variant  not  only  matches  popularly  used  techniques  in  accuracy  but  also  allows  for  statistical  inference  with  the  results  of  the  algorithm,  thanks  to  an  exact  asymptotic  characterization  of  the  estimation  error.  Such  a  feature  facilitating  statistical  inference  with  the  results  generated  from  a  data  integration  algorithm  is  not  widely  available  in  the  literature.  Moreover,  the  signal  reconstruction  risk  of  our  algorithm  is  provably  Bayes  optimal  which  enhances  its  appeal.This  dissertation  is  structured  into  three  parts.  In  the  first  part,  we  introduce  the  algorithm  and  discuss  its  mathematical  properties.  In  the  second  part,  we  apply  this  algorithm  to  delineate  the  phase  transition  threshold  for  community  detection  in  Contextual  Stochastic  Block  Models  introduced  in  Deshpande  et.  al  (2018).  This  application  demonstrates  the  algorithm's  efficiency  in  optimally  integrating  information  across  network  data  and  node  features.  In  the  final  part,  we  first  develop  a  data-adaptive  version  of  the  algorithm  and  use  it  to  develop  a  data  integration  procedure  useful  to  integrate  information  across  single-cell  multi-omic  datasets.  Furthermore,  we  also  develop  a  technique  to  map  query  data  points  with  partially  observed  modalities  to  the  integrated  embeddings  constructed  using  the  training  data  with  high  confidence.  In  real  data,  our  method  competes  with  state-of-art  integration  techniques  used  in  single-cell  multi-omic  data  analysis,  in  terms  of  effective  construction  of  cell  atlases  that  segregate  different  cell  types  into  interpretable  clusters.  Moreover,  this  method  also  provides  an  avenue  to  map  new  query  cells  with  partially  observed  features  to  such  atlases.
■590    ▼aSchool  code:  0175.
■650  4▼aStatistics
■650  4▼aStatistical  physics
■650  4▼aApplied  mathematics
■650  4▼aInformation  science
■653    ▼aApproximate  Message  Passing
■653    ▼aData  integration
■653    ▼aMultimodal  Data
■653    ▼aSingle-cell  multi-omic  datasets
■653    ▼aMinimum  mean  square  error
■690    ▼a0463
■690    ▼a0217
■690    ▼a0723
■690    ▼a0364
■71020▼aUniversity  of  Pennsylvania▼bStatistics  and  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12A.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161236▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서