Алгоритм булевского факторного анализа, основанный на комбинировании нейросетевого подхода и метода максимизации функции правдоподобия

А. А. Фролов; Д. Гусек; П. Ю. Поляков

Алгоритм булевского факторного анализа, основанный на комбинировании нейросетевого подхода и метода максимизации функции правдоподобия

А. А. Фролов¹, Д. Гусек², П. Ю. Поляков³

научная статья Страницы: 3-11

¹ д.т.н., профессор, зав. лабораторией, Институт высшей нервной деятельности и нейрофизиологии РАН, Москва
² к.т.н., ст. науч. сотрудник, Институт информатики АН ЧР, Прага (Чешская республика)
³ Технический университет Остравы (Чешская республика)

Ключевые слова: булевский факторный анализ аттракторная нейронная сеть максимизация функции правдоподобия база данных KEGG

Аннотация

Булевский факторный анализ предполагает, что исходные сигналы, факторные веса и факторные нагрузки являются бинарными. Описан новый подход к БФА, основанный на объединении предложенного ранее метода ANNIA (Attractor Neural Network with Increasing Activity, Аттракторная нейронная сеть с возрастающей активностью) с методом максимизации функции правдоподобия. Продемонстрирована высокая эффективность комбинированного метода на примере анализа сигналов базы данных KEGG, содержащей полные расшифровки генома для 1368 организмов.

Для цитирования

Фролов А.А., Гусек Д., Поляков П.Ю. Алгоритм булевского факторного анализа, основанный на комбинировании нейросетевого подхода и метода максимизации функции правдоподобия // Нейрокомпьютеры: разработка, применение. 2014. № 3. С. 3–11.

Список источников

Фролов А.А., Гусек Д., Поляков П.Ю. Булевский факторный анализ на основе аттракторной нейронной сети и некоторые его приложения // Нейрокомпьютеры: разработка, применение. 2011. № 1. С. 25-46.
Dempster A.P., Laird N.M., Rubin D.B. Maximum likelihood from incomplete data via the EM algorithm // Journal of the Royal Statistical Society. Series B (Methodological)}. 1977. V. 39. № 1. P. 1-38.
Foldiak P. Forming sparse representations by local anti-hebbian learning // Biological Cybernetics. 1990. V. 64. P. 165-170.
Frolov A.A., Sirota A.M., Husek D., Muraviev I.P., Polyakov P.J. Binary factorization in Hopfield-like neural networks: single-step approximation and computer simulations // Neural Network Word. 2004. V. 14. P. 139-152.
Frolov A.A., Husek D., Polyakov P., Rezankova H. New Neural Network Based Approach Helps to Discover Hidden Russian Parliament Voting Patterns // IEEE International Joint Conference on Neural Networks. 2006. P. 6518-6523.
Frolov A.A., Husek D., Muraviev I.P., Polyakov P.Y. Boolean factor analysis by attractor neural network // IEEE Transactions on Neural Networks. 2007. V. 18. № 3. P. 698-707.
Frolov A.A., Husek D., Rezankova H., Snasel V., Polyakov P. Clustering variables by classical approaches and neural network Boolean factor analysis // IEEE International Joint Conference on Neural Networks. 2008. P. 3742-3746.
Frolov A.A., Husek D., Polyakov P.Y. Recurrent neural network based Boolean factor analysis and its application to automatic terms and documents categorization // IEEE Transactions on Neural Networks. 2009. V. 20. № 7. P. 1073-1086.
Frolov A.A., Husek D., Polyakov P.Y. Estimation of Boolean factor analysis performance by informational gain // Proceedings of the 6th Atlantic Web Intelligence Conference (AWIC'2009). 2009. P. 83-94.
Frolov A.A., Husek D., Polyakov P.Y. Origin and Elimination of Two Global Spurious Attractors in Hopfield-like Neural Network Performing Boolean Factor Analysis // Neurocomputing. 2010. V. 73. № 7-9. P. 1394-1404.
Kanehisa M., Goto S., Kawashima S., Nakaya A. The KEGG databases at GenomeNet // Nucleic Acids Research. 2002. V. 30. № 1. P. 42.
Kensche P.R., Noort V. Van, Dutilh B.E., Huynen M.A. Practical and theoretical advances in predicting the function of a protein by its phylogenetic distribution // Journal of the Royal Society Interface. 2008. V. 5. № 19. P. 151.
Pellegrini M., Marcotte E.M., Thompson M.J., Eisenberg D., Yeates T.O. Assigning protein functions by comparative genome analysis: protein phylogenetic profiles // Proceedings of the National Academy of Sciences of the United States of America. 1999. V. 96. № 8. P. 4285.
Ravasz E., Somera A.L., Mongru D.A., Oltvai Z.N., Barabґasi A.L. Hierarchical organization of modularity in metabolic networks // Science. 2002. V. 297. № 5586. P. 1551.
Mering C. Von, Krause R., Snel B., Cornell M., Olive S.G.R, Fields S., Bork P. Comparative assessment of large-scale data sets of protein-protein interactions // Nature. 2002. V. 417. № 6887. P. 399-403.

[1] Фролов А.А., Гусек Д., Поляков П.Ю. Булевский факторный анализ на основе аттракторной нейронной сети и некоторые его приложения // Нейрокомпьютеры: разработка, применение. 2011. № 1. С. 25-46.

[2] Dempster A.P., Laird N.M., Rubin D.B. Maximum likelihood from incomplete data via the EM algorithm // Journal of the Royal Statistical Society. Series B (Methodological)}. 1977. V. 39. № 1. P. 1-38.

[3] Foldiak P. Forming sparse representations by local anti-hebbian learning // Biological Cybernetics. 1990. V. 64. P. 165-170.

[4] Frolov A.A., Sirota A.M., Husek D., Muraviev I.P., Polyakov P.J. Binary factorization in Hopfield-like neural networks: single-step approximation and computer simulations // Neural Network Word. 2004. V. 14. P. 139-152.

[5] Frolov A.A., Husek D., Polyakov P., Rezankova H. New Neural Network Based Approach Helps to Discover Hidden Russian Parliament Voting Patterns // IEEE International Joint Conference on Neural Networks. 2006. P. 6518-6523.

[6] Frolov A.A., Husek D., Muraviev I.P., Polyakov P.Y. Boolean factor analysis by attractor neural network // IEEE Transactions on Neural Networks. 2007. V. 18. № 3. P. 698-707.

[7] Frolov A.A., Husek D., Rezankova H., Snasel V., Polyakov P. Clustering variables by classical approaches and neural network Boolean factor analysis // IEEE International Joint Conference on Neural Networks. 2008. P. 3742-3746.

[8] Frolov A.A., Husek D., Polyakov P.Y. Recurrent neural network based Boolean factor analysis and its application to automatic terms and documents categorization // IEEE Transactions on Neural Networks. 2009. V. 20. № 7. P. 1073-1086.

[9] Frolov A.A., Husek D., Polyakov P.Y. Estimation of Boolean factor analysis performance by informational gain // Proceedings of the 6th Atlantic Web Intelligence Conference (AWIC'2009). 2009. P. 83-94.

[10] Frolov A.A., Husek D., Polyakov P.Y. Origin and Elimination of Two Global Spurious Attractors in Hopfield-like Neural Network Performing Boolean Factor Analysis // Neurocomputing. 2010. V. 73. № 7-9. P. 1394-1404.

[11] Kanehisa M., Goto S., Kawashima S., Nakaya A. The KEGG databases at GenomeNet // Nucleic Acids Research. 2002. V. 30. № 1. P. 42.

[12] Kensche P.R., Noort V. Van, Dutilh B.E., Huynen M.A. Practical and theoretical advances in predicting the function of a protein by its phylogenetic distribution // Journal of the Royal Society Interface. 2008. V. 5. № 19. P. 151.

[13] Pellegrini M., Marcotte E.M., Thompson M.J., Eisenberg D., Yeates T.O. Assigning protein functions by comparative genome analysis: protein phylogenetic profiles // Proceedings of the National Academy of Sciences of the United States of America. 1999. V. 96. № 8. P. 4285.

[14] Ravasz E., Somera A.L., Mongru D.A., Oltvai Z.N., Barabґasi A.L. Hierarchical organization of modularity in metabolic networks // Science. 2002. V. 297. № 5586. P. 1551.

[15] Mering C. Von, Krause R., Snel B., Cornell M., Olive S.G.R, Fields S., Bork P. Comparative assessment of large-scale data sets of protein-protein interactions // Nature. 2002. V. 417. № 6887. P. 399-403.

Аннотация

Для цитирования

Похожие статьи