Inverse finite-size scaling for high-dimensional significance analysis

Näytä kaikki kuvailutiedot



Pysyväisosoite

http://hdl.handle.net/10138/307116

Lähdeviite

Xu , Y , Puranen , S , Corander , J & Kabashima , Y 2018 , ' Inverse finite-size scaling for high-dimensional significance analysis ' , Physical Review E , vol. 97 , no. 6 , 062112 . https://doi.org/10.1103/PhysRevE.97.062112

Julkaisun nimi: Inverse finite-size scaling for high-dimensional significance analysis
Tekijä: Xu, Yingying; Puranen, Santeri; Corander, Jukka; Kabashima, Yoshiyuki
Muu tekijä: University of Helsinki, Department of Computer Science
University of Helsinki, Jukka Corander / Principal Investigator
Päiväys: 2018-06-06
Kieli: eng
Sivumäärä: 9
Kuuluu julkaisusarjaan: Physical Review E
ISSN: 2470-0045
URI: http://hdl.handle.net/10138/307116
Tiivistelmä: We propose an efficient procedure for significance determination in high-dimensional dependence learning based on surrogate data testing, termed inverse finite-size scaling (IFSS). The IFSS method is based on our discovery of a universal scaling property of random matrices which enables inference about signal behavior from much smaller scale surrogate data than the dimensionality of the original data. As a motivating example, we demonstrate the procedure for ultra-high-dimensional Potts models with order of 1010 parameters. IFSS reduces the computational effort of the data-testing procedure by several orders of magnitude, making it very efficient for practical purposes. This approach thus holds considerable potential for generalization to other types of complex models.
Avainsanat: APPROXIMATE BAYESIAN COMPUTATION
DIRECT-COUPLING ANALYSIS
PROTEIN-STRUCTURE
INFERENCE
CONTACTS
MODEL
111 Mathematics
113 Computer and information sciences
Tekijänoikeustiedot:


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
PhysRevE.97.062112_2.pdf 885.1KB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot