PuSH - Publication Server of Helmholtz Zentrum München: Probabilistic blind source separation for data with network structures.

Information

Clues to quality of journals

Open Access Policy of Helmholtz Association 2016

CC Licencences

Publication Metrics

Navigation

Home

Deutsch

EVA: Electronic Publishing

New EVA Application

Research

Advanced Search

Browse by ...

... HMGU-Authors/Consortia

... Organizational Structure

... Journal

... Publication Type

... Research Data

... Arbeitsgruppen

... Publication Year

Publication overview

Statistics

Statistics (last 5 years)

OA Publications

Publish

Submit Publication

Import publication from...

...EVA

Report missing publication

Highlights

Support & Contact

Contact persons

Help

Data protection

Helmholtz Open Science

JANE Journal Estimator

SHERPA/RoMEO

DOAJ

Export:

Text

Endnote (RIS) BIB

BibTeX

Illner, K.

Probabilistic blind source separation for data with network structures.

Probabilistische blinde Signaltrennung für Daten mit Netzwerkstruktur.

München, Technische Universität, Fakultät für Mathematik, Diss., 2015, 176 S.

Publ. Version/Full Text

Abstract
Metrics
Extra information

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.