Expectation-Maximization Approach to Boolean Factor Analysis
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F11%3A00368431" target="_blank" >RIV/67985807:_____/11:00368431 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/IJCNN.2011.6033270" target="_blank" >http://dx.doi.org/10.1109/IJCNN.2011.6033270</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IJCNN.2011.6033270" target="_blank" >10.1109/IJCNN.2011.6033270</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Expectation-Maximization Approach to Boolean Factor Analysis
Popis výsledku v původním jazyce
Methods for hidden structure of high-dimensional binary data discovery are one of the most important challenges facing machine learning community researchers. There are many approaches in literature that try to solve this hitherto rather ill-defined task. In the present study, we propose a most general generative model of binary data for Boolean factor analysis and introduce new Expectation-Maximization Boolean Factor Analysis algorithm which maximizes likelihood of Boolean Factor Analysis solution. Using the so-called bars problem benchmark, we compare efficiencies of Expectation-Maximization Boolean Factor Analysis algorithm with Dendritic Inhibition neural network. Then we discuss advantages and disadvantages of both approaches as regards results quality and methods efficiency.
Název v anglickém jazyce
Expectation-Maximization Approach to Boolean Factor Analysis
Popis výsledku anglicky
Methods for hidden structure of high-dimensional binary data discovery are one of the most important challenges facing machine learning community researchers. There are many approaches in literature that try to solve this hitherto rather ill-defined task. In the present study, we propose a most general generative model of binary data for Boolean factor analysis and introduce new Expectation-Maximization Boolean Factor Analysis algorithm which maximizes likelihood of Boolean Factor Analysis solution. Using the so-called bars problem benchmark, we compare efficiencies of Expectation-Maximization Boolean Factor Analysis algorithm with Dendritic Inhibition neural network. Then we discuss advantages and disadvantages of both approaches as regards results quality and methods efficiency.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IJCNN 2011 Conference Proceedings
ISBN
978-1-4244-9636-5
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
559-566
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
San Jose
Datum konání akce
31. 7. 2011
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000297541200080