文献

J-GLOBAL ID：201702260799248613   整理番号：17A1257175

局所再構成からの学習効率的グローバルネットワーク【Powered by NICT】

Efficient global network learning from local reconstructions

著者 (4件)： Affeldt Severine (University Paris Descartes Team LIPADE, Paris, France) ,  Sokolovska Nataliya (UPMC Sorbonnes University, INSERM UMR_S 1166, NutriOmics Team, ICAN, Paris, France) ,  Prifti Edi (Institute of Cardiometabolism And Nutrition, Team IntegrOmics, Paris, France) ,  Zucker Jean-Daniel (UPMC Sorbonnes University, NutriOmics, ICAN, Paris, France, IRD, UMMISCO, Bondy, France)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 1117-1124  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 発見の複雑な相互作用は社会科学からシステム生物学への範囲の多数の分野で重要な問題である。過去数十年にわたり,多くのネットワーク学習法は,種々のタイプのデータ上での比肩可能な結果を示した。一般に到達した結論は,いくつかの学習手法であるデータセット型または基本的なネットワークの複雑さに依存して他よりも望ましいことである。もう一つの頻繁に遭遇する問題は,同時に処理する必要があることを変数の増加数に関係しており,少数の観察のみが利用可能である。ScaleNet,大きなグラフィカルモデルのためのスペクトル枠内で異なるタイプのネットワーク発見手法を埋め込むことができる新しい再構成法が最近導入された。アプローチは,正規化グラフラプラシアン行列の固有ベクトル要素の大きさと符号に基づいた連続変数のセットを同定し,大規模ネットワークの並列多重関連部分グラフにおける学習する。しかし,使用する固有ベクトルの数と部分グラフのサイズは交差検証の高価な方法で固定されていない。本論文では,サブネットワークにおける固有ベクトルの最適な数とノードの数の両方を見つけるために発見的方法を提案した。標準大規模データセット上での結果により,提案したアプローチは,計算時間,すなわち効率を節約し,最先端技術レベルの性能に達することを実際のヒト腸グラフ再構成に示した。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： *ネットワーク ,  多重化 ,  発見的方法 ,  相互作用 ,  CPU時間 ,  固有ベクトル ,  *学習 ,  *再構成 ,  部分グラフ ,  正規化 ,  グラフ ,  ヒト
準シソーラス用語： サブネットワーク ,  大規模ネットワーク ,  Laplacian行列 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  グラフ理論基礎  (IA02020S)

タイトルに関連する用語 (3件)： 再構成 ,  学習効率 ,  グローバルネットワーク