Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

La agrupación mediante la transmisión de mensajes entre puntos de datos.

Brendan J Frey1, Delbert Dueck

  • 1Department of Electrical and Computer Engineering, University of Toronto, 10 King's College Road, Toronto, Ontario M5S 3G4, Canada. frey@psi.toronto.edu

Science (New York, N.Y.)
|January 16, 2007
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

An X-linked long non-coding RNA, PTCHD1-AS, and the core features of autism.

Nature·2026
Same author

Orthrus: toward evolutionary and functional RNA foundation models.

Nature methods·2026
Same author

Orthrus: Towards Evolutionary and Functional RNA Foundation Models.

bioRxiv : the preprint server for biology·2024
Same author

<i>ATP7B</i> variant c.1934T > G p.Met645Arg causes Wilson disease by promoting exon 6 skipping.

NPJ genomic medicine·2020
Same author

Deep learning in biomedicine.

Nature biotechnology·2018
Same author

COSSMO: predicting competitive alternative splice site selection using deep learning.

Bioinformatics (Oxford, England)·2018
Same journal

A native sulfur deposit in Gale crater, Mars.

Science (New York, N.Y.)·2026
Same journal

Coordinated demise of harmful algal blooms.

Science (New York, N.Y.)·2026
Same journal

Genetic effects put into context.

Science (New York, N.Y.)·2026
Same journal

Bacteria share proteins to survive antibiotics.

Science (New York, N.Y.)·2026
Same journal

Impacts shaped Earth's first continents.

Science (New York, N.Y.)·2026
Same journal

Lariat RNA debranching prevents harmful siRNA burst in plants.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Desarrollamos la propagación de afinidad, un nuevo método para agrupar datos que identifica ejemplos representativos. Esta técnica encuentra eficientemente clusters de alta calidad con un error significativamente menor que los métodos existentes.

Área de la Ciencia:

  • Ciencias de la computación Ciencias de la computación
  • Aprendizaje automático Aprendizaje automático.
  • Minería de datos Minería de datos

Sus antecedentes:

  • La agrupación de datos mediante la identificación de ejemplos representativos (ejemplares) es crucial para la detección de patrones y el procesamiento de señales.
  • Los métodos tradicionales de agrupación basados en ejemplos se basan en selecciones aleatorias iniciales, lo que puede limitar el rendimiento si el subconjunto inicial es subóptimo.

Objetivo del estudio:

  • Introducir un nuevo algoritmo de agrupación, la propagación de afinidad, que supere las limitaciones de la inicialización aleatoria.
  • Demostrar la efectividad y eficiencia de la propagación de afinidad a través de diversos conjuntos de datos.

Principales métodos:

  • La propagación de afinidad utiliza parejas de puntos de datos similares como entrada.

Videos de Experimentos Relacionados

  • Implica el intercambio iterativo de mensajes de valor real entre puntos de datos para formar gradualmente ejemplares y clústeres.

    • Principales resultados:

    • La propagación de afinidad agrupó con éxito imágenes faciales, datos de genes de microarrays, oraciones de texto y accesibilidad de viajes entre ciudades.
    • El método logró un error de agrupación significativamente menor en comparación con otros enfoques.
    • Funcionó sustancialmente más rápido, requiriendo menos de una centésima parte del tiempo de los métodos alternativos.

    Conclusiones:

    • La propagación de afinidad es un algoritmo altamente efectivo y eficiente para el agrupamiento de datos.
    • El método demuestra una amplia aplicabilidad en varios tipos de datos y dominios.
    • Ofrece una alternativa superior a las técnicas de agrupación basadas en ejemplos existentes.