文献

J-GLOBAL ID：201702226391359053   整理番号：17A1917218

再構成遺伝子調節ネットワークにおける圧縮センシングと応用に基づいた大規模ファジィ認知マップ学習【Powered by NICT】

Learning Large-Scale Fuzzy Cognitive Maps Based on Compressed Sensing and Application in Reconstructing Gene Regulatory Networks

著者 (2件)： Wu Kai (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, Xidian University, Xi’an, China) ,  Liu Jing (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, Xidian University, Xi’an, China)
資料名： IEEE Transactions on Fuzzy Systems  (IEEE Transactions on Fuzzy Systems)
巻： 25  号： 6  ページ： 1546-1560  発行年： 2017年 
JST資料番号： W0509A  ISSN： 1063-6706  CODEN： IEFSEV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 任意の事前知識無しで自動的に観測データから大規模スパースファジィ認知マップ(FCM)の学習未解決の問題のままである。ほとんどの既存の方法は時間がかかり大規模FCMを扱う困難を有しており,大きな探索空間のためであった。大規模スパースFCM,CS FCMを学習するために,凸最適化法,圧縮センシング(CS)に基づくフレームワークを開発した。FCMのスパース性と組み合わせて,FCM学習の課題は,まず,スパース信号再構成問題に分解した。スパース信号を回復正確にCSの能力を正確にFCMを学習する確率をCS FCMを提供した。実験では,CS FCMはサイズと密度と実生活データを変化させた両合成データを学習に適用した。結果は,CS FCMは少量のデータから学習することにより良好な性能が得られることを示す。CS FCMは1000ノード,を持つ疎なFCMを学習できる,これは百万量決定されることを示した。CS FCMは,遺伝子調節ネットワーク(GRN)を再構成するために適用し,よく知られたベンチマークデータセットDREAM3とDREAM4を試験した。結果は,CS FCMもGRNの再構成における高精度が得られることを示した。CS FCMは高精度で学習大規模スパースFCMのパラダイムを確立した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 透視図法 ,  *再構成 ,  *学習
準シソーラス用語： 高精度 ,  スパース信号 ,  疎信号再構成 ,  スパース性 ,  凸最適化 ,  探索空間 ,  事前知識 ,  *圧縮センシング ,  *遺伝子調節ネットワーク , 【Automatic Indexing@JST】

分類 (4件)： システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  論理代数  (JB03000H)

タイトルに関連する用語 (7件)： 再構成 ,  遺伝子調節ネットワーク ,  圧縮センシング ,  応用 ,  大規模 ,  ファジィ認知マップ ,  学習