Algoritm bulevskogo faktornogo analiza, osnovannyj na kombinirovanii nejrosetevogo podchoda i metoda maksimizacii funkcii pravdopodobija

0428419 - ÚI 2015 RIV RU rus J - Článek v odborném periodiku
Frolov, A. A. - Húsek, Dušan - Polyakov, P.Y.
Algoritm bulevskogo faktornogo analiza, osnovannyj na kombinirovanii nejrosetevogo podchoda i metoda maksimizacii funkcii pravdopodobija.
[Combined Algorithm for Boolean Factor Analysis based on Neural Network and Likelihood Maximization Approaches.]
Nejrokomp'jutery: razrabotka, primenenie. -, č. 3 (2014), s. 3-11. ISSN 1999-8554
Institucionální podpora: RVO:67985807
Klíčová slova: boolean factor analysis * attractor neural network * likelihood function maximization * KEGG database
Kód oboru RIV: IN - Informatika
http://www.radiotec.ru/catalog.php?cat=jr7&art=14354

Bulevskij faktornyj analiz predpolagajet, čto ischodnyje signaly, faktornyje vesa i faktornyje nagruzki javljajutsja binarnymi. Opisan novyj podchod k BFA, osnovannyj na obedinenii predložennogo raneje metoda ANNIA (Attractor Neural Network with Increasing Activity, Attraktornaja nejronnaja seť s vozrastajuščej aktivnosťju) s metodom maksimizacii funkcii pravdopodobija. Prodemonstrirovana vysokaja effektivnosť kombinirovannogo metoda na primere analiza signalov bazy dannych KEGG, soderžaščej polnyje rasšifrovki genoma dlja 1368 organizmov.

Boolean Factor Analysis (BFA) implies that signal components, factor loadings and factor scores are binary variables. In this study new approach to Boolean factor analysis (BFA) based on combining previously offered BFA method ANNIA (Attractor Neural Network with Increasing Activity) and likelihood maximization is described. We demonstrate the efficiency of new method when analyzing the KEGG database containing full genome sequencing of 1368 organisms.

Booleovská Faktorová Analýza (BFA) předpokládá, na rozdíl od běžné faktorové analýzy, že komponenty signálu, faktorové zátěže a faktorová skóre jsou binární proměnné. V této studii je předkládána nová hybridní metoda Booleovské faktorové analýzy (BFA) vzniklá sloučením dříve prezentovaných metod BFA, tj. metody založené na atraktorové neuronové síti s rostoucí aktivitou (ANNIA) a metody založené na maximalizaci věrohodností funkce (LM). Zde je ukázáno, že takto vzniklá nová metoda (LANNIA) je vysoce efektivní i při řešené tak náročné úlohy, jako je analýza data vzniklých sekvenováním genomů 1368 organismů ( databáze KEGG).
Trvalý link: http://hdl.handle.net/11104/0233787