标题： 神经网络专家的混合及其在浮游植物流式细胞术数据中的应用 显示英文标题

标题： Mixtures of Neural Network Experts with Application to Phytoplankton Flow Cytometry Data

摘要： 流式细胞术是一种有价值的技术，可在单细胞分辨率下测量粒子的光学特性。 当在海洋中部署时，流式细胞术使海洋学家能够研究称为浮游植物的不同类型的光合微生物。 研究浮游植物特性如何响应环境条件变化具有重要意义。 在我们的工作中，我们开发了一种非线性专家混合模型，利用随机权重神经网络进行同时聚类和回归。 我们的模型允许灵活估计细胞特性及相对丰度如何依赖于环境协变量，而无需承担反向传播的计算负担。 我们表明，与线性专家混合模型相比，所提出的模型在模拟示例中提供了更优的预测性能。 此外，将我们的模型应用于真实数据，我们展示了我们的模型具有（1）可比的样本外预测性能，以及（2）更真实的浮游植物行为估计。 显示英文摘要

摘要： Flow cytometry is a valuable technique that measures the optical properties of particles at a single-cell resolution. When deployed in the ocean, flow cytometry allows oceanographers to study different types of photosynthetic microbes called phytoplankton. It is of great interest to study how phytoplankton properties change in response to environmental conditions. In our work, we develop a nonlinear mixture of experts model for simultaneous clustering and regression utilizing random-weight neural networks. Our model allows one to flexibly estimate how cell properties and relative abundances depend on environmental covariates, without the computational burden of backpropagation. We show that the proposed model provides superior predictive performance in simulated examples compared to a mixture of linear experts. Also, applying our model to real data, we show that our model has (1) comparable out-of-sample prediction performance, and (2) more realistic estimates of phytoplankton behavior.