Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Large Scale Genomic Sequence SVM Classifiers

Sonnenburg, S., Rätsch, G., & Schölkopf, B. (2005). Large Scale Genomic Sequence SVM Classifiers. In S. Dzeroski, L. de Raedt, & S. Wrobel (Eds.), ICML '05: the 22nd international conference on Machine learning (pp. 848-855). New York, NY, USA: ACM Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D6E1-7 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0005-0E1C-E
Genre: Konferenzbeitrag

Dateien

einblenden: Dateien
ausblenden: Dateien
:
SonRaeSch05b.pdf (beliebiger Volltext), 309KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0005-0E1D-D
Name:
SonRaeSch05b.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?doid=1102351.1102458 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Sonnenburg, S, Autor           
Rätsch, G1, Autor           
Schölkopf, B2, 3, Autor           
Affiliations:
1Friedrich Miescher Laboratory, Max Planck Society, Max-Planck-Ring 9, 72076 Tübingen, DE, ou_2575692              
2Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
3Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: In genomic sequence analysis tasks like splice site recognition or promoter identification, large amounts of training sequences are available, and indeed needed to achieve sufficiently high classification performances. In this work we study two recently proposed and successfully used kernels, namely the Spectrum kernel and the Weighted Degree kernel (WD). In particular, we suggest several extensions using Suffix Trees and modi cations of an SMO-like SVM training algorithm in order to accelerate the training of the SVMs and their evaluation on test sequences. Our simulations show that for the spectrum kernel and WD kernel, large scale SVM training can be accelerated by factors of 20 and 4 times, respectively, while using much less memory (e.g. no kernel caching). The evaluation on new sequences is often several thousand times faster using the new techniques (depending on the number of Support Vectors). Our method allows us to train on sets as large as one million sequences.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2005-08
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 3627
DOI: 10.1145/1102351.1102458
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 22nd International Conference on Machine Learning (ICML 2005)
Veranstaltungsort: Bonn, Germany
Start-/Enddatum: 2005-08-07 - 2005-08-11

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ICML '05: the 22nd international conference on Machine learning
Genre der Quelle: Konferenzband
 Urheber:
Dzeroski, S, Herausgeber
de Raedt, L, Herausgeber
Wrobel, S, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: New York, NY, USA : ACM Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 848 - 855 Identifikator: ISBN: 1-59593-180-5