New BFA Method Based on Attractor Neural Network and Likelihood Maximization

0398493 - ÚI 2015 RIV NL eng J - Journal Article
Frolov, A. A. - Húsek, Dušan - Polyakov, P.Y. - Snášel, V.
New BFA Method Based on Attractor Neural Network and Likelihood Maximization.
[Nová metoda BFA založená na atraktorové neuronové síti a maximalizaci věrohodnostní funkce.]
Neurocomputing. Roč. 132, 20 May (2014), s. 14-29. ISSN 0925-2312. E-ISSN 1872-8286
Grant - others:GA MŠk(CZ) ED1.1.00/02.0070; GA MŠk(CZ) EE.2.3.20.0073
Program: ED
Institutional support: RVO:67985807
Keywords : recurrent neural network * associative memory * Hebbian learning rule * neural network application * data mining * statistics * Boolean factor analysis * information gain * dimension reduction * likelihood-maximization * bars problem
Subject RIV: IN - Informatics, Computer Science
Impact factor: 2.083, year: 2014

What is suggested is a new approach to Boolean factor analysis, which is an extension of the previously proposed Boolean factor analysis method: Hopfield-like attractor neural network with increasing activity. We increased its applicability and robustness when complementing this method by a maximization of the learning set likelihood function defied according to the Noisy-OR generative model. We demonstrated the efficiency of the new method using the data set generated according to the model. Successful application of the method to the real data is shown when analyzing the data from the Kyoto Encyclopedia of Genes and Genomes database which contains full genome sequencing for 1368 organisms.

Předložen je nový přístup k booleovské faktorové analýze, který je rozšířením dříve navrhované metody Boolevské faktorové analýzy založené na asociativní neuronové síti s rostoucí aktivitou ANNIA (modifikace Hopfieldovy NS). Metoda dovedená do algoritmické implementace byla rozšířena o popis pravděpodobnostního modelu (Noisy-OR model) a odhad jeho parametrů pomocí metody maximální věrohodnosti, což ve svém důsledku vede k vyšší robustnost algoritmu a rozšíření jeho aplikačních možností. Vysoká efektivnost nové metody je ukázána s použitím simulovaných dat odpovídajících danému modelu. Možnost úspěšné aplikace metody v reálu je pak ukázána na analýze dat z Kjótské databáze (Kyto Encyklopedia of Genes and Genomes), která obsahuje sekvence genomů 1.368 organismů.
Permanent Link: http://hdl.handle.net/11104/0225993