Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Partially-supervised context-specific independence mixture modeling.

Georgi, B., & Schliep, A. (n.d.). Partially-supervised context-specific independence mixture modeling. In P.-O.-T.-S.-I.-W.-O.-M.-R.-R.-D. MINING (Ed.), ECML. Berlin/Heidelberg: Springer.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0010-816E-D Versions-Permalink: https://hdl.handle.net/11858/00-001M-0000-0010-816F-B
Genre: Konferenzbeitrag

Dateien

einblenden: Dateien
ausblenden: Dateien
:
Georgi2007c.pdf (beliebiger Volltext), 215KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/11858/00-001M-0000-0010-816D-F
Name:
Georgi2007c.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
eDoc_access: PUBLIC
Lizenz:
-

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Georgi, Benjamin1, Autor
Schliep, Alexander2, Autor           
Affiliations:
1Max Planck Society, ou_persistent13              
2Dept. of Computational Molecular Biology (Head: Martin Vingron), Max Planck Institute for Molecular Genetics, Max Planck Society, ou_1433547              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Partially supervised or semi-supervised learning refers to machine learning methods which fall between clustering and classification. In the context of clustering, labels can specify link and do-not-link constraints between data points in di erent ways and constrain the resulting clustering solutions. This is a very natural framework for many biological applications as some labels are often available and even very few label greatly improve clustering results. Context-specific independence models constitute a framework for simultaneous mixture estimation and model structure determination to obtain meaningful models for high-dimensional data with many, possibly uninformative, variables. Here we present the first approach for partial learning of CSI models and demonstrate the e ectiveness of modest amounts of labels for simulated data and for protein sub-family determination.

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum:
 Publikationsstatus: Keine Angabe
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: eDoc: 335954
URI: http://algorithmics.molgen.mpg.de/Static/Publications/Georgi2007c.pdf
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Data mining in functional genomics and proteomics : Current trends and future directions
Veranstaltungsort: Warsaw, Poland
Start-/Enddatum: 2007-09-17 - 2007-09-17

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ECML
Genre der Quelle: Konferenzband
 Urheber:
MINING, PROCEEDINGS OF THE SIXTH INTERNATIONAL WORKSHOP ON MULTI-RELATIONAL RELATIONAL DATA, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Berlin/Heidelberg : Springer
Seiten: 10 Band / Heft: - Artikelnummer: - Start- / Endseite: - Identifikator: -

Quelle 2

einblenden:
ausblenden:
Titel: Lecture Notes in Computer Science
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: - Identifikator: -