Proceedings of the IEEE· 2016Q1
Bağlantılı Bileşen Analizi: Matrislerden Biyomedikal Veriler İçin Yüksek Dereceli Tensörlere
Linked Component Analysis From Matrices to High-Order Tensors: Applications to Biomedical Data
- 191atıf
- Q1SCImago
- 2016yıl
Kısa özet
Yeni kısıtlı çok bloklu tensör ayrıştırma yöntemleri, geleneksel matris tabanlı yaklaşımların aksine, çok yollu biyomedikal verilerden paylaşılan ortak özellikleri çıkarabilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Matris tabanlı bileşen analizini, çok bloklu, çok yollu (tensör) verilere genişletir.
- Kısıtlı çok bloklu tensör ayrıştırma, tüm veri bloklarından paylaşılan ortak özellikleri çıkarır.
- Esnek ortak ve bireysel özellik analizi, hem paylaşılan hem de benzersiz gizli bileşenleri izole eder.
- Karmaşık biyomedikal veri kümelerinin analizi için etkinliği gösterilmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
With the increasing availability of various sensor technologies, we now have access to large amounts of multiblock (also called multiset, multirelational, or multiview) data that need to be jointly analyzed to explore their latent connections. Various component analysis methods have played an increasingly important role for the analysis of such coupled data. In this article, we first provide a brief review of existing matrix-based (two-way) component analysis methods for the joint analysis of such data with a focus on biomedical applications. Then, we discuss their important extensions and generalization to multiblock multiway (tensor) data. We show how constrained multiblock tensor decomposition methods are able to extract similar or statistically dependent common features that are shared by all blocks, by incorporating the multiway nature of data. Special emphasis is given to the flexible common and individual feature analysis of multiblock data with the aim to simultaneously extract common and individual latent components with desired properties and types of diversity. Illustrative examples are given to demonstrate their effectiveness for biomedical data analysis.
Yazarların özeti; kaynağından alınmıştır. Proceedings of the IEEE, 2016 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Matematik
Computational MathematicsMathematics