Tissue Classification Using Efficient Local Fisher Discriminant Analysis

• Autorzy: Wang Z. , Sun X. , Sun L. , Qian X.

Warianty tytułu

PL

Efektywna analiza lokalnego wyróżnika Fisher’a do klasyfikacji tkanek

• Języki publikacji: EN

Abstrakty

EN

A novel scatter-difference-based local Fisher discriminant analysis(SDLFDA) algorithm for tissue classification is proposed in this paper. SDLFDA explicitly considers the local manifold structure and interclass discrimination in gene expression data space. By using SDLFDA, each gene expression data can be projected into a lower-dimensional discriminative feature space. In addition, SDFLDA reduces the computational cost through QR decomposition. Experimental results demonstrate the effectiveness and efficiency of the proposed SDLFDA algorithm.

PL

W artykule przedstawiono algorytm analizy lokalnym wyróżnikiem Fisher’a opartym na różnicach rozproszenia (ang. SDLFDA), służący do klasyfikacji tkanek. Proponowana metoda pozwala na zmniejszenie wymiarowości przestrzeni wyróżnika, określającego dane GXD, a także redukcję kosztów obliczeniowych dzięki dekompozycji QR. Wyniki badań eksperymentalnych potwierdzają skuteczność i sprawność algorytmu.

Słowa kluczowe

EN

tissue classification; gene expression data; dimensionality reduction; local Fisher discriminant analysis

PL

klasyfikacja tkanek; GXD; redukcja wymiarowości; analiza lokalnego wyróżnika Fishera

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 3b
• Strony: 113--115
• Opis fizyczny: Bibliogr. 6 poz., tab., wykr.

Twórcy

autor

Wang Z.

• School of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China

autor

Sun X.

• School of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China

autor

Sun L.

• School of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China

autor

Qian X.

• College of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China

Bibliografia

• [1] Ben-Dor A., Bruhn L., Friedman N., Nachman I., Schummer M.,Yakhini Z., Tissue Classification with Gene Expression Profiles, Journal of Computational Biology, 7(2000), No.3-4,559-584
• [2] Ye J., Li T., Xiong T., Janardan R., Using Uncorrelated Discriminant Analysis for Tissue Classification with Gene Expression Data, IEEE/ ACM Trans. Computational Biology and Bioinformatics, 1(2004),No.4,181-190
• [3] Duda R.O.,Hart P.E.,Stork D.G., Pattern Classification(second edition),Wiley-Interscience, Hoboken, N.J., 2000
• [4] Wang H., Chen S., Hu Z., Zheng W., Locality-Preserved Maximum Information Projection, IEEE Trans. Neural Networks, 19(2008),No.4, 571-585
• [5] Belkin M., Niyogi P., Laplacian Eigenmaps for Dimensionality Reduction and Data Representations, Neural Comput., 15(2003), No.6, 1373-1396
• [6] He X., Niyogi P., Locality Preserving Projections, Proceedings of NIPS'03,2003:585-592