Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/318| Τύπος: | Πρακτικά συνεδρίου |
| Τίτλος: | Biomedical data ensemble classification using random projections |
| Συγγραφέας: | [EL] Τασουλής, Σωτήριος[EN] Tasoulis, Sotirios [EL] Βραχάτης, Αριστείδης[EN] Vrahatis, Aristidis [EL] Γεωργακόπουλος, Σπυρίδων[EN] Georgakopoulos, Spiros [EL] Πλαγιανάκος, Βασίλειος[EN] Plagianakos, Vassilis |
| Ημερομηνία: | Δεκ-2018 |
| Περίληψη: | Biomedicine is undergoing a revolution driven by the explosion of biomedical data, which are generated by emerged medical imaging, sensor technologies and high-throughput technologies. An indicative example is the single cell sequencing technology which concerns the genome sequencing examination of hundreds of separate cells in a single tumor. Consequently, open challenges arising from this emerged technology and generally from the evolution of biomedical technologies under the big data perspective. Also, given the fact that approaches based on high-performance computing require high computing resources and advanced developers, solutions that reduce the problem complexity remain very attractive. Following this direction, in this paper a classification scheme based on Multiple Random Projections and Voting is presented. Random Projections offer a platform not only for a low computational time analysis by significantly reducing the data dimensionality, but also for an accurate analysis which may well exceed classical classification approaches. The proposed method was applied on real biomedical high dimensional data and compared against well-known classification schemes as to Random Projection-based cutting-edge methods. Specifically, we applied it on expression profiles for single-cell RNA-seq data from non-diabetic and type 2 diabetic human samples. Experimental results showed that based on simplistic tools we can create a computationally fast, simple, yet effective approach for biomedical Big Data analysis and knowledge discovery. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 7 |
| DOI: | 10.1109/BigData.2018.8622606 |
| ISBN: | 978-1-5386-5035-6 |
| Θεματική κατηγορία: | [EL] Τεχνητή νοημοσύνη[EN] Artificial Intelligence |
| Λέξεις-κλειδιά: | Dimensionality Reduction; Random Projection; Ensemble Classification; single-cell RNA-seq data; Biomedical Data |
| Κάτοχος πνευματικών δικαιωμάτων: | Copyright © 2018, IEEE |
| Όροι και προϋποθέσεις δικαιωμάτων: | https://s100.copyright.com/AppDispatchServlet?publisherName=ieee&publication=proceedings&title=Biomedical+Data+Ensemble+Classification+using+Random+Projections&isbn=978-1-5386-5035-6&publicationDate=Dec.+2018&author=Sotiris+K.+Tasoulis&ContentID=10.1109/BigData.2018.8622606&orderBeanReset=true&startPage=166&endPage=172&proceedingName=2018+IEEE+International+Conference+on+Big+Data+%2528Big+Data%2529 |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://ieeexplore.ieee.org/document/8622606 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://ieeexplore.ieee.org/xpl/conhome/8610059/proceeding |
| Τίτλος πηγής δημοσίευσης: | 2018 IEEE International Conference on Big Data (Big Data) Proceedings |
| Σελίδες τεκμηρίου (στην πηγή): | 166-172 |
| Όνομα εκδήλωσης: | 2018 IEEE International Conference on Big Data (Big Data) |
| Τοποθεσία εκδήλωσης: | Seattle, WA, USA |
| Ημ/νία έναρξης εκδήλωσης: | 10/12/2018 |
| Ημ/νία λήξης εκδήλωσης: | 13/12/2018 |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
Το πλήρες κείμενο αυτού του τεκμηρίου δεν διατίθεται προς το παρόν από το αποθετήριο