Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 DetailsÜbersicht
  Efficient inference in matrix-variate Gaussian models with iid observation noise

Stegle, O., Lippert, C., Mooij, J., Lawrence, N., & Borgwardt, K. (2012). Efficient inference in matrix-variate Gaussian models with iid observation noise. In Advances in Neural Information Processing Systems 24 (pp. 630-638). Red Hook, NY, USA: Curran.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-B876-D Versions-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-B877-B
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Stegle, O1, Autor           
Lippert, C1, Autor           
Mooij, J2, Autor           
Lawrence, N, Autor
Borgwardt, K1, Autor           
Shawe-Taylor, Herausgeber
J., Herausgeber
Zemel, R.S., Herausgeber
Bartlett, P., Herausgeber
Pereira, F., Herausgeber
Weinberger, K.Q., Herausgeber
Affiliations:
1Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497794              
2Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Inference in matrix-variate Gaussian models has major applications for multioutput prediction and joint learning of row and column covariances from matrixvariate data. Here, we discuss an approach for efficient inference in such models that explicitly account for iid observation noise. Computational tractability can be retained by exploiting the Kronecker product between row and column covariance matrices. Using this framework, we show how to generalize the Graphical Lasso in order to learn a sparse inverse covariance between features while accounting for a low-rank confounding covariance between samples. We show practical utility on applications to biology, where we model covariances with more than 100,000 dimensions. We find greater accuracy in recovering biological network structures and are able to better reconstruct the confounders.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2012-01
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: ISBN: 978-1-618-39599-3
URI: http://nips.cc/Conferences/2011/
BibTex Citekey: StegleLMLB2012
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Twenty-Fifth Annual Conference on Neural Information Processing Systems (NIPS 2011)
Veranstaltungsort: Granada, Spain
Start-/Enddatum: -

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Advances in Neural Information Processing Systems 24
Genre der Quelle: Konferenzband
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: Red Hook, NY, USA : Curran
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 630 - 638 Identifikator: -