Zobrazeno 1 - 10
of 28
pro vyhledávání: '"Leppäaho, Eemeli"'
Publikováno v:
Machine Learning, 2019
Bayesian matrix factorization (BMF) is a powerful tool for producing low-rank representations of matrices and for predicting missing values and providing confidence intervals. Scaling up the posterior inference for massive-scale matrices is challengi
Externí odkaz:
http://arxiv.org/abs/1703.00734
The R package GFA provides a full pipeline for factor analysis of multiple data sources that are represented as matrices with co-occurring samples. It allows learning dependencies between subsets of the data sources, decomposed into latent factors. T
Externí odkaz:
http://arxiv.org/abs/1611.01534
Publikováno v:
Bioinformatics Volume 32, Issue 16 Pp. 2457-2463, 2016
Motivation: Modelling methods that find structure in data are necessary with the current large volumes of genomic data, and there have been various efforts to find subsets of genes exhibiting consistent patterns over subsets of treatments. These bicl
Externí odkaz:
http://arxiv.org/abs/1512.08808
Autor:
Herrero, Pau, Andorrà, Magí, Babion, Nils, Bos, Hendericus, Koehler, Matthias, Klopfenstein, Yannick, Leppäaho, Eemeli, Lustenberger, Patrick, Peak, Ajandek, Ringemann, Christian, Glatzer, Timor
Publikováno v:
Journal of Diabetes Science & Technology; Sep2024, Vol. 18 Issue 5, p1014-1026, 13p
Publikováno v:
Machine Learning, 105(2), 233-253, 2016
We introduce Bayesian multi-tensor factorization, a model that is the first Bayesian formulation for joint factorization of multiple matrices and tensors. The research problem generalizes the joint matrix-tensor factorization problem to arbitrary set
Externí odkaz:
http://arxiv.org/abs/1412.4679
Factor analysis provides linear factors that describe relationships between individual variables of a data set. We extend this classical formulation into linear factors that describe relationships between groups of variables, where each group represe
Externí odkaz:
http://arxiv.org/abs/1411.5799
Autor:
Mononen, Tommi, Kujala, Jan, Liljeström, Mia, Leppäaho, Eemeli, Kaski, Samuel, Salmelin, Riitta
Funding Information: This work was financially supported by the Academy of Finland (Finnish Center of Excellence in Computational Inference Research COIN and grants #292334, #294238 to SK; #255349, #315553 to RS; #257576 to JK; #286405 funding for TM
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::fd44905a0b37d4dbfa0b3d066c57a86c
http://hdl.handle.net/10138/351330
http://hdl.handle.net/10138/351330
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.