Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Information Bottleneck for Non Co-Occurrence Data

Seldin, Y., Slonim, N., & Tishby, N. (2007). Information Bottleneck for Non Co-Occurrence Data. In B. Schölkopf, J. Platt, & T. Hoffman (Eds.), Advances in Neural Information Processing Systems 19 (pp. 1241-1248). Cambridge, MA, USA: MIT Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-CBE9-0 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-E210-C
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://papers.nips.cc/paper/3064-information-bottleneck-for-non-co-occurrence-data.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Seldin, Y1, Autor           
Slonim, N, Autor
Tishby, N, Autor
Affiliations:
1External Organizations, ou_persistent22              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We present a general model-independent approach to the analysis of data in cases when these data do not appear in the form of co-occurrence of two variables X, Y, but rather as a sample of values of an unknown (stochastic) function Z(X,Y). For example, in gene expression data, the expression level Z is a function of gene X and condition Y; or in movie ratings data the rating Z is a function of viewer X and movie Y . The approach represents a consistent extension of the Information Bottleneck method that has previously relied on the availability of co-occurrence statistics. By altering the relevance variable we eliminate the need in the sample of joint distribution of all input variables. This new formulation also enables simple MDL-like model complexity control and prediction of missing values of Z. The approach is analyzed and shown to be on a par with the best known clustering algorithms for a wide range of domains. For the prediction of missing values (collaborative filtering) it improves the currently best known results.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2007-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 6576
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Twentieth Annual Conference on Neural Information Processing Systems (NIPS 2006)
Veranstaltungsort: Vancouver, BC, Canada
Start-/Enddatum: 2006-12-04 - 2006-12-07

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Advances in Neural Information Processing Systems 19
Genre der Quelle: Konferenzband
 Urheber:
Schölkopf, B1, Herausgeber           
Platt, JC, Herausgeber
Hoffman, T, Herausgeber
Affiliations:
1 Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795            
Ort, Verlag, Ausgabe: Cambridge, MA, USA : MIT Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 1241 - 1248 Identifikator: ISBN: 0-262-19568-2