May, 2009

寻找高维数据中的大平均子矩阵

PDF
TL;DR本文介绍了一种名称为 LAS 的统计学动机的双聚类方法，它能够在给定的实值数据矩阵中找到大的平均子矩阵，通过验证研究得出，该方法是探索高维数据中发现生物学相关结构的有效工具。
biclusteringsubmatriceslashigh dimensional datagene expression datasets
发现论文，激发创造
  • 子矩阵检测的计算下界的普适性

    研究总结了在不同分布情况下计算复杂性与 KL 散度之间的统计分层次关系，揭示了计算下界中的普适性原理。

    Feb, 2019

  • 高维数据的子空间聚类：预测性方法

    本论文提出了一种新的预测子空间聚类方法，该方法可以将高维数据划分为互不相交的线性子空间聚类，同时估计子空间的 PCA 参数，实现变量选择，经过实验在基因表达数据集上得到了较好的结果。

    Mar, 2012

  • 自适应子矩阵定位的多尺度扫描统计量

    本文研究了在不知道子矩阵大小的情况下，如何在数据矩阵中定位具有较大条目值的子矩阵。我们建立了一个基于多尺度扫描统计量的优化框架，并开发了算法来逼近优化器。我们还展示了我们的估计器只需要与最小极大估计器具有相同阶数的信号强度，就可以在高概率下准确恢复异常。我们进行了一些模拟，表明我们的估计器相对于其他不需要先前子矩阵知识的估计器具有更好的性能，同时计算速度相对更快。

    Jun, 2019

  • 凸双聚类

    研究了一个凸形式的双聚类问题，其中提出了一种迭代算法 COBRA，此算法拥有全局极小值并且生成一个整体的解决方案。它包含了稳定性和可重复性的优点，并在模拟和实际微阵列数据上具有优点。

    Aug, 2014

  • 种植问题和子矩阵定位的统计计算权衡及随着集群和子矩阵数量增长的影响

    研究插入聚类和子矩阵定位问题，提出四个算法，每个算法都在困难度更大的情况下无法成功。研究表明，机器学习和统计推断等算法之间的权衡，以及极小化恢复限制可能无法通过多项式时间算法实现。

    Feb, 2014

  • 从双变量投影重构高维数据集

    通过图形化解决方案重新构建高维数据集，包括查找团伙和讨论复杂情况，再加以其他方法处理，研究结果表明这些方法在很多情况下能够成功重建原始数据集。

    Dec, 2023

  • 应用光子量子计算对数据集进行双聚类分析

    使用玻色子抽样方法实现基于矩阵永久性的双聚类识别，并提出一种使用高斯玻色子抽样方法在数据集中找到最密集子图的启发式方法，通过将数据集转换为二部图并运行高斯玻色子抽样来实现。

    May, 2024

  • 通过寻找具有统计显著性的可分离的最佳高斯簇，进行超聚类

    该论文提出了一种利用 BIC 准则对数据集进行聚类的算法，将高斯聚类的最优数量组合成从统计上可分离的超聚类，该算法包括三个阶段：将数据集表示为高斯分布的混合聚类，使用马氏距离估计聚类间的距离和聚类大小，利用 DBSCAN 方法将聚类组合成超聚类，该算法自动检测最佳数量和形状的超聚类，具有较好的结果和能预测新数据的软聚类能力，但速度较慢，最终聚类结果具有随机性。

    Sep, 2023

  • E - 平均公共子矩阵：在受限邻域内进行近似搜索

    该论文介绍了一种新的二维数组的 (不) 相似度度量方法，该方法通过考虑匹配模式的频率，限制匹配模式到固定大小的领域，并计算基于距离的近似匹配来实现更好的性能，低执行时间和更大的信息检索。

    Jun, 2017

  • 稀疏轴向对齐子空间的高维贝叶斯优化

    基于高斯过程 surrogate 模型，利用 Hamiltonian Monte Carlo 进行推断，能够迅速识别与建模未知目标函数相关的空间稀疏子空间，实现高维贝叶斯优化 (Bayesian optimization) 中样本效率与性能的权衡。

    Feb, 2021