Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

通过在数据点之间传递消息来进行聚类.

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
概括
此摘要是机器生成的。

我们开发了亲和力传播,这是数据聚类的新方法,可以识别代表性示例. 这种技术有效地找到高质量的集群,其误差明显低于现有方法.

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
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
查看所有相关文章

科学领域:

  • 计算机科学 计算机科学
  • 机器学习 机器学习
  • 数据挖掘 数据挖掘

背景情况:

  • 通过识别代表性示例 (样本) 来聚类数据对于模式检测和信号处理至关重要.
  • 传统的基于样本的集群方法依赖于初始的随机选择,如果初始子集是次优的,这可能会限制性能.

研究的目的:

  • 引入一种新的集群算法,亲和力传播,可以克服随机初始化的局限性.
  • 通过各种数据集来证明亲和力传播的有效性和效率.

主要方法:

  • 亲和力传播利用双向数据点相似性作为输入.
  • 它涉及数据点之间的真实值信息的代交换,以逐渐形成示例和集群.

主要成果:

  • 亲和传播成功地聚集了面部图像,微阵列基因数据,文本句子和城市之间的旅行可访问性.
  • 与其他方法相比,该方法实现了明显较低的聚类误差.
  • 它运行得快得多,需要的时间不到替代方法的百分之一.

结论:

  • 亲和传播是一种高度有效和高效的数据聚类算法.
  • 该方法在各种数据类型和领域中显示了广泛的适用性.
  • 它为现有的以示例为基础的集群技术提供了优质的替代方案.