Implicitly Weighted Robust Classification Applied to Brain Activity Research

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00473143" target="_blank" >RIV/67985807:_____/17:00473143 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-54717-6_6" target="_blank" >http://dx.doi.org/10.1007/978-3-319-54717-6_6</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-54717-6_6" target="_blank" >10.1007/978-3-319-54717-6_6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Implicitly Weighted Robust Classification Applied to Brain Activity Research

Popis výsledku v původním jazyce

In bioinformatics, regularized linear discriminant analysis is commonly used as a tool for supervised classification problems tailor-made for high-dimensional data with the number of variables exceeding the number of observations. However, its various available versions are too vulnerable to the presence of outlying measurements in the data. In this paper, we exploit principles of robust statistics to propose new versions of regularized linear discriminant analysis suitable for high-dimensional data contaminated by (more or less) severe outliers. The work exploits a regularized version of the minimum weighted covariance determinant estimator, which is one of highly robust estimators of multivariate location and scatter. The performance of the novel classification methods is illustrated on real data sets with a detailed analysis of data from brain activity research.

Název v anglickém jazyce

Implicitly Weighted Robust Classification Applied to Brain Activity Research

Popis výsledku anglicky

In bioinformatics, regularized linear discriminant analysis is commonly used as a tool for supervised classification problems tailor-made for high-dimensional data with the number of variables exceeding the number of observations. However, its various available versions are too vulnerable to the presence of outlying measurements in the data. In this paper, we exploit principles of robust statistics to propose new versions of regularized linear discriminant analysis suitable for high-dimensional data contaminated by (more or less) severe outliers. The work exploits a regularized version of the minimum weighted covariance determinant estimator, which is one of highly robust estimators of multivariate location and scatter. The performance of the novel classification methods is illustrated on real data sets with a detailed analysis of data from brain activity research.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA13-23940S" target="_blank" >GA13-23940S: Osobnost a spontánní mozková aktivita během klidu a sledování filmu: vzájemný vztah a strukturní determinanty</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Biomedical Engineering Systems and Technologies

ISBN

978-3-319-54716-9

ISSN

1865-0929

e-ISSN

—

Počet stran výsledku

21

Strana od-do

87-107

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Rome

Datum konání akce

21. 2. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—