Weiterentwicklung maschineller Lernmethoden für Sequenzen mit Anwendung zur rechnergestützter Generkennung

序列机器学习方法的进一步发展及其在计算机辅助基因识别中的应用

• 批准号: 110857523
• 负责人: Professor Dr. Klaus-Robert Müller
• 金额: --
• 依托单位: Fachgebiet Maschinelles Lernen/ Intelligente Datenanalyse
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2009
• 资助国家: 德国
• 起止时间: 2008-12-31 至 2013-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/110857523?language=en
• 关键词: Weiterentwicklung; maschineller; Lernmethoden; Sequenzen; mit

Verfahren des maschinellen Lernens gehören zu den erfolgreichsten Ansätzen für die Verarbeitung von Sequenzdaten, z.B. bei der Genomannotation oder der Textanalyse. In diesem Projekt sollen diese bewährten Algorithmen weiterentwickelt werden: 1. Die Trainingsgeschwindigkeit soll gesteigert werden, um von den bereits gewaltigen und immer weiter wachsenden Datenmengen profitieren zu können. 2. Bisherige, technisch bedingte Beschränkungen der existierenden Ansätze sollen überwunden werden, um die Problemstellungen exakter modellieren zu können. 3. Für die trainierten Modelle sollen Analysetechniken entwickelt werden, die es ermöglichen, die gelernten Zusammenhänge zu extrahieren und damit die Wissenschaft im Anwendungsgebiet zu unterstützen. Alle Verbesserungen sollen für die rechnergestützte Genomannotation eingesetzt werden.

书名：The Verfahren des maschinellen gehören zu den erfolgreichsten ansätzen fützen die Verarbeitung von Sequenzdaten，z.B.beder Genomnotation order Textanalys.在这项计划中，所有的人都有权这么做：1.培训是这样的，嗯，他们都是这样做的。2.对现有的问题进行了分析，并提出了相应的解决办法。3.我们的培训模型是这样的，他们是这样做的，他们是这样做的，而且他们也是这样做的。所有的Verbesserungen Sollen für die rechnergestützte Genomnotation eingesetzt被删除。

项目成果

SVM2Motif—Reconstructing Overlapping DNA Sequence Motifs by Mimicking an SVM Predictor

SVM2Motifâ通过模仿 SVM 预测器重建重叠 DNA 序列基序

• DOI: 10.1371/journal.pone.0144782
• 发表时间: 2015
• 期刊: PLoS ONE
• 影响因子: 3.7
• 作者: M. M.-C. Vidovic;N. Görnitz;K.-R. Müller;G. Rätsch;M. Kloft
• 通讯作者: M. Kloft

Regularization-Based Multitask Learning With Applications to Genome Biology and Biological Imaging

基于正则化的多任务学习及其在基因组生物学和生物成像中的应用

• DOI: 10.1007/s13218-013-0283-y
• 发表时间: 2014
• 期刊: KI - Künstliche Intelligenz
• 作者: C. Widmer;M. Kloft;X. Lou;G. Rätsch
• 通讯作者: G. Rätsch

Accurate Maximum-Margin Training for Parsing With Context-Free Grammars

用于上下文无关语法解析的准确最大间隔训练

• DOI: 10.1109/tnnls.2015.2497149
• 发表时间: 2017
• 期刊: IEEE Transactions on Neural Networks and Learning Systems
• 影响因子: 10.4
• 作者: A. Bauer;M. Braun;K.-R. Müller
• 通讯作者: K.-R. Müller