Inferência Variacional Rápida para Análise Fatorial Bayesiana em Configurações de Estudo Único e Múltiplos Estudos

Modelos fatoriais são comumente usados para analisar dados de alta dimensionalidade tanto em configurações de estudo único quanto em múltiplos estudos. A inferência bayesiana para esses modelos depende de métodos de Cadeia de Markov Monte Carlo (MCMC), que escalonam mal à medida que o número de estudos, observações ou variáveis medidas aumenta. Para abordar essa questão, propomos novos algoritmos de inferência variacional para aproximar a distribuição posterior de modelos fatoriais latentes bayesianos usando o prior de encolhimento do processo gamma multiplicativo. Os algoritmos propostos fornecem inferência aproximada rápida a uma fração do tempo e memória das implementações baseadas em MCMC, mantendo uma precisão comparável na caracterização da matriz de covariância dos dados. Conduzimos simulações extensivas para avaliar nossos algoritmos propostos e mostramos sua utilidade na estimativa do modelo para dados de expressão gênica de alta dimensionalidade em cânceres de ovário. No geral, nossas abordagens propostas possibilitam uma inferência mais eficiente e escalável para modelos fatoriais, facilitando seu uso em configurações de alta dimensionalidade. Um pacote R VIMSFA implementando nossos métodos está disponível no GitHub (github.com/blhansen/VI-MSFA).