【例会】The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool For Mild Cognitive Impairment

主持人:郭思伊

参会老师:安宁

参会学生:贵芳,殷越

时间:2019年7月31日

本次例会学习讨论了文章:

The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool For Mild Cognitive Impairment

Continue reading

Posted in 例会 | Leave a comment

【例会】Fooling automated surveillance cameras: adversarial patches to attack person detection

主持人:李雨龙

参会老师:杨矫云

参会学生:郭思伊,贵芳,殷越

时间:2019年7月24日

本次例会学习讨论了文章:

Thys S , Van Ranst W , Goedemé, Toon. Fooling automated surveillance cameras: adversarial patches to attack person detection[J]. 2019.

Continue reading

Posted in 例会 | Leave a comment

【例会】A Medical Case-Based Reasoning Approach Using Image Classification and Text Information for Recommendation

主持人:刘硕

参会老师:安宁、杨矫云

参会学生:刘硕,郭思伊,赵春阳,程坤,贵芳,殷越

时间:2019年7月10日

本次例会学习讨论了文章:

Nasiri S , Zenkert J , Fathi M . A Medical Case-Based Reasoning Approach Using Image Classification and Text Information for Recommendation[M]// Advances in Computational Intelligence. 2015.

Continue reading

Posted in 新闻动态 | Leave a comment

【例会】Ontology visualization methods and tools: a survey of the state of the art

主持人:程坤

参会老师:杨矫云

参会学生:刘硕,赵春阳,刘硕,郭思伊

时间:2019年7月3日

本次例会主要学习讨论了文章

Dudáš M, Lohmann S, Svátek V, et al. Ontology visualization methods and tools: a survey of the state of the art[J]. The Knowledge Engineering Review, 2018, 33.

Continue reading

Posted in 例会 | Leave a comment

【例会】研讨Discovering Biobrick quality assessment rules with machine learning

主持人:殷越

参会老师:杨矫云,安宁

参会学生:李雨龙,赵春阳,程坤,韩朋,贵芳,殷越

请假:郭思伊

本次例会主要研讨论文:Discovering Biobrick quality assessment rules with machine learning,指出论文中可能存在的问题

Continue reading

Posted in 新闻动态 | Leave a comment

【例会】讨论Microarray Missing Value Imputation: A Regularized Local Learning Method

主持人:殷越

参会老师:杨矫云

参会学生:韩朋,刘硕,李雨龙,赵春阳,程坤,郭思伊,殷越,贵芳

时间:2019619

本次例会学习讨论了论文Microarray Missing Value Imputation: A Regularized Local Learning Method

一、背景

本文一篇针对数据补缺的改进算法的介绍论文。在人们迫切需要探索生物基因序列背后所隐藏的生命密码的背景下,微阵列技术虽然能够同时对大量基因进行表达检测,却客观的会产生数据缺失的问题,这严重影响了相关研究。

二、相关工作

本文考察了大量现有的数据补缺方法,其中包括贝叶斯主成分数据补缺算法(BPCAimpute)、最小二乘补缺算法(LLSimpute)和最邻近数据补缺算法(KNNimpute)。

三、工作内容

本文将数据补缺的过程分解为三个步骤:1.选择目的基因;2.选择邻近基因;3.计算缺失值的估计值。本文在选择目的基因和计算缺失值的估计值上做出了改进:1.总是选择缺失率最小的基因进行数据补缺,并将补缺完毕的基因视为完整基因加入数据集中;2.通过对最小二乘的优化过程添加了正则化以预防过拟合问题,并衍生出RLLS_L1RLLS_L2两种数据补缺方法。

 四、结果分析

本文设计了9个对照算法在6个公共基因微阵列数据集上进行了实验。并特殊设计了针对算法中涉及的参数的优化和算法抗过拟合能力等方面的对照实验,实验数据表明本文所提出的方法在抗过拟合能力上明显优于其他方法,且RLLS_L2算法在均方根误差对比对照算法拥有较好的表现。


五、展望

基因微阵列数据的补缺是一个非常具有实际意义的研究方法,未来我们可以尝试将更多优化理念与基因微阵列技术相结合,发现更多行之有效的数据分析方法。

 

Posted in 新闻动态 | Leave a comment