Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  A kernel method for unsupervised structured network inference

Lippert, C., Stegle, O., Ghahramani, Z., & Borgwardt, K. (2009). A kernel method for unsupervised structured network inference. In D. Van Dyk, & M. Welling (Eds.), Twelfth International Conference on Artificial Intelligence and Statistics (AIStats 2009) (pp. 368-375). Cambridge, MA, USA: MIT Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-C539-1 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-FE32-8
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
http://proceedings.mlr.press/v5/lippert09a/lippert09a.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Lippert, C1, 2, Autor           
Stegle, O, Autor           
Ghahramani, Z, Autor
Borgwardt, KM1, 2, Autor           
Affiliations:
1Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497794              
2Former Research Group Machine Learning and Computational Biology, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_2528696              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Network inference is the problem of inferring edges between a set of real-world objects, for instance, interactions between pairs of proteins in bioinformatics. Current kernel-based approaches to this problem share a set of common features: (i) they are supervised and hence require labeled training data; (ii) edges in the network are treated as mutually independent and hence topological properties are largely ignored; (iii) they lack a statistical interpretation. We argue that these common assumptions are often undesirable for network inference, and propose (i) an unsupervised kernel method (ii) that takes the global structure of the network into account and (iii) is statistically motivated. We show that our approach can explain commonly used heuristics in statistical terms. In experiments on social networks, different variants of our method demonstrate appealing predictive performance.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2009-04
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 5663
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Twelfth International Conference on Artificial Intelligence and Statistics (AIStats 2009)
Veranstaltungsort: Clearwater Beach, FL, USA
Start-/Enddatum: 2009-04-16 - 2009-04-18

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Twelfth International Conference on Artificial Intelligence and Statistics (AIStats 2009)
Genre der Quelle: Konferenzband
 Urheber:
Van Dyk, D, Herausgeber
Welling, M, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Cambridge, MA, USA : MIT Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 368 - 375 Identifikator: -

Quelle 2

einblenden:
ausblenden:
Titel: JMLR Workshop and Conference Proceedings
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 5 Artikelnummer: - Start- / Endseite: - Identifikator: -