search query: @keyword ranking / total: 5
reference: 2 / 5
Author: | Heiskanen, Tomas |
Title: | Ranking extension for kernelized Bayesian matrix factorization |
Kernelöidyn bayesiläisen matriisihajotelman laajennus järjestyslukuihin | |
Publication type: | Master's thesis |
Publication year: | 2014 |
Pages: | 32 s. + liitt. 5 Language: eng |
Department/School: | Perustieteiden korkeakoulu |
Main subject: | Informaatiotekniikka (IL3010) |
Supervisor: | Kaski, Samuel |
Instructor: | Muhammad, Ammad-ud-din ; Georgii, Elisabeth |
Electronic version URL: | http://urn.fi/URN:NBN:fi:aalto-201501221169 |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto 2518 | Archive |
Keywords: | ranking kernelized Bayesian matrix factorization probabilistic ranking variational approximate inference Plackett-Luce drug response prediction bioinformatiikka kernelöity bayesiläinen matriisihajotelma lääkevasteen ennustaminen syöpägenomiikka todennäköisyyspohjainen järjestyslukumalli variaationaalinen approksimatiivinen päättely |
Abstract (eng): | In cancer drug response prediction, the task is to predict the relative responses of a particular drug compared to other drugs on a set of cell lines. Essentially, the goal is to model the rank of the drugs and not the actual response values. New machine learning methods are constantly developed for cancer genomics and many of them still lack rank-based models, for instance kernelized Bayesian matrix factorization (KBMF). A rank-based model can predict the order of responses of drugs and the results can be compared even though the data might have come from different screening platforms. In this master's thesis a ranking extension for KBMF is derived. The ranking is based on Plackett-Luce's ranking model. The variational equations are derived by using approximation techniques used before in multi-class classification and multinomial logistic regression. The resulting model is validated against KBMF regression with toy data and cancer drug sensitivity data. |
Abstract (fin): | Syöpälääkkeiden vasteen ennustuksessa tehtävänä on ennustaa tietyn lääkkeen suhteelliset vasteet verrattuna muiden lääkkeiden vasteisiin solulinjoissa. Pohjimmiltaan tavoitteena on mallintaa lääkevasteiden järjestys eikä itse vastearvoja. Uusia koneoppimismenetelmiä kehitetään jatkuvasti syövän genomiikan tutkimusta varten, ja monista menetelmistä puuttuu edelleen järjestyslukuihin perustuvia malleja, esimerkiksi kernelöidylle bayesiläiselle matriisihajotelmalle (KBMF). Järjestyslukuihin perustuva malli voi ennustaa lääkkeiden vasteiden järjestykset, ja tuloksia voidaan verrata vaikka vasteet olisi peräisin eri seulonta alustoista. Tässä diplomityössä johdetaan järjestyslukujen laajennus KBMF-menetelmälle. KBMF laajennus järjestyslukuihin perustuu Plackett-Lucen järjestyslukumalliin. Variaationaaliset yhtälöt on johdettu käyttämällä approksimaatiotekniikoita, joita on ennen käytetty monen luokan luokituksessa ja multinomiaalisessa logistisessa regressiossa. Johdettua mallia verrataan KBMF-regressiomenetelmään simuloidulla aineistolla ja syöpälääkkeiden vasteaineistolla. |
ED: | 2015-02-08 |
INSSI record number: 50532
+ add basket
INSSI