摘要

本文介绍了一种基于多视图Kronecker正则化最小二乘融合的链接传播方法（MKronRLSF-LP），用于药物副作用预测。该方法通过整合多个视角的数据，利用共识分区和多图拉普拉斯约束，提高了预测的准确性和鲁棒性。实验结果表明，MKronRLSF-LP在多个真实药物副作用数据集上表现优异，优于其他竞争方法。

原理

MKronRLSF-LP方法的核心在于扩展了Kronecker正则化最小二乘（Kron-RLS）算法，通过寻找共识分区和多图拉普拉斯约束，实现了多视图设置下的信息融合。具体来说，该方法通过生成多个分区并自适应地学习每个分区的权重，以控制其对共享分区的贡献，同时采用多图拉普拉斯正则化来增强半监督学习的表现。这种设置共同演化，以实现更好的性能。

流程

MKronRLSF-LP的工作流程包括以下步骤：

1. 构建药物和副作用的多个基础核集。
2. 初始化参数，包括每个视图的权重和核权重。
3. 迭代优化过程，包括更新预测链接矩阵、权重、核权重等。
4. 通过多图拉普拉斯正则化约束预测值，确保共识分区的鲁棒性。
5. 最终得到药物副作用的预测模型。

应用

MKronRLSF-LP方法在药物副作用预测领域具有广泛的应用前景。由于其能够有效整合多源数据并提高预测准确性，该方法可用于药物安全性评估、药物开发和个性化医疗等领域，有助于减少药物副作用带来的风险，提高药物治疗的效率和安全性。