In this thesis we aim to identify meaningful signals from observed multivariate mixtures using available structural information of the data and probabilistic modeling. In a blind source separation (BSS) approach for time series data we investigate the mixing pattern using limiting distributions of the mixing process. We further propose a new BSS method for network data using stationary Bayesian networks. Relevance of the method is illustrated by an application to gene expression data.
Ziel dieser Arbeit ist es, aus mehrdimensionalen Beobachtungen einzelne aussagekräftige Quellen herauszufiltern. Dabei profitieren wir von vorhandenen Informationen über die datengenerierende Struktur und von probabilistischer Modellierung. In einem "Blind source separation" (BSS) Ansatz für Zeitdaten untersuchen wir das Mischmuster mit Hilfe von Grenzverteilungen der Mischmatrix. Darüber hinaus führen wir eine neue BSS Methode für Netzwerkdaten ein, die stationäre Bayesianische Netzwerke benutzt. Die Relevanz der Methode zeigen wir in einer Anwendung auf Genexpressionsdaten.