New BFA Method Based on Attractor Neural Network and Likelihood Maximization
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092386" target="_blank" >RIV/61989100:27240/14:86092386 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/14:00398493 RIV/61989100:27740/14:86092386
Výsledek na webu
<a href="http://www.sciencedirect.com/science/article/pii/S0925231213010758" target="_blank" >http://www.sciencedirect.com/science/article/pii/S0925231213010758</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.neucom.2013.07.047" target="_blank" >10.1016/j.neucom.2013.07.047</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
New BFA Method Based on Attractor Neural Network and Likelihood Maximization
Popis výsledku v původním jazyce
What is suggested is a new approach to Boolean factor analysis, which is an extension of the previously proposed Boolean factor analysis method: Hopfield-like attractor neural network with increasing activity. We increased its applicability and robustness when complementing this method by a maximization of the learning set likelihood function defied according to the Noisy-OR generative model. We demonstrated the efficiency of the new method using the data set generated according to the model. Successfulapplication of the method to the real data is shown when analyzing the data from the Kyoto Encyclopedia of Genes and Genomes database which contains full genome sequencing for 1368 organisms.
Název v anglickém jazyce
New BFA Method Based on Attractor Neural Network and Likelihood Maximization
Popis výsledku anglicky
What is suggested is a new approach to Boolean factor analysis, which is an extension of the previously proposed Boolean factor analysis method: Hopfield-like attractor neural network with increasing activity. We increased its applicability and robustness when complementing this method by a maximization of the learning set likelihood function defied according to the Noisy-OR generative model. We demonstrated the efficiency of the new method using the data set generated according to the model. Successfulapplication of the method to the real data is shown when analyzing the data from the Kyoto Encyclopedia of Genes and Genomes database which contains full genome sequencing for 1368 organisms.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neurocomputing
ISSN
0925-2312
e-ISSN
—
Svazek periodika
132,
Číslo periodika v rámci svazku
MAY 20 2014
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
16
Strana od-do
14-29
Kód UT WoS článku
000334480500003
EID výsledku v databázi Scopus
—