Title: | Sparse Bayesian Linear Models: Computational Advances and Applications in Epidemiology Harvuutta suosivat bayesilaiset lineaarimallit: laskennallisia menetelmiä ja sovelluksia epidemiologiassa |
Author(s): | Peltola, Tomi |
Date: | 2014 |
Language: | en |
Pages: | 78 + app. 52 |
Department: | Lääketieteellisen tekniikan ja laskennallisen tieteen laitos Department of Biomedical Engineering and Computational Science |
ISBN: | 978-952-60-6012-5 (electronic) 978-952-60-6011-8 (printed) |
Series: | Aalto University publication series DOCTORAL DISSERTATIONS, 206/2014 |
ISSN: | 1799-4942 (electronic) 1799-4934 (printed) 1799-4934 (ISSN-L) |
Supervising professor(s): | Lampinen, Jouko, Prof., Aalto University, Department of Biomedical Engineering and Computational Science, Finland |
Thesis advisor(s): | Vehtari, Aki, Prof., Aalto University, Department of Biomedical Engineering and Computational Science, Finland; Marttinen, Pekka, Dr., Aalto University, Department of Information and Computer Science, Finland |
Subject: | Computer science |
Keywords: | Bayesian linear modelling, sparsity, Markov chain Monte Carlo, approximate inference, bayesilainen lineaarinen mallintaminen, harvuus, Markov-ketju Monte Carlo, likimääräinen päättely |
OEVS yes | |
|
|
Abstract:Viimeaikaiset edistysaskeleet mittausteknologioissa ovat mahdollistaneet uudenlaisten tutkimusmenetelmien soveltamisen sairauksien ja muiden monitekijäisten piirteiden perinnöllisen ja aineenvaihdunnallisen taustan selvittämiseen. DNA- ja verinäytteistä pystytään mittaamaan verrattain nopeasti ja kustannustehokkaasti miljoonia geenitekijöitä ja satoja aineenvaihdunnan tuotteita. Vaikka yksittäisten näytteiden karakterisoinnin laajuus ja harhaton luonne johtanee uusiin löydöksiin, se myös asettaa haasteita aineistojen tilastolliselle analyysille. Lineaarisuus- ja harvuusoletukset ovat mahdollisia lähtökohtia näihin haasteisiin vastaamiseen ja ne ovatkin olleet viime aikoina tilastollisten menetelmien tutkimuksen keskiössä. Harvuus viittaa käsitykseen, jonka mukaan vain pieni osa kaikista mahdollisista tilastollisista yhteyksistä aineistossa ovat oleellisia. |
|
Parts:[Publication 1]: Tomi Peltola, Pekka Marttinen, Antti Jula, Veikko Salomaa, Markus Perola, and Aki Vehtari. Bayesian Variable Selection in Searching for Additive and Dominant Effects in Genome-Wide Data. PLoS ONE, 7, 1, e29115, January 2012. doi:10.1371/journal.pone.0029115. View at Publisher [Publication 2]: Tomi Peltola, Pekka Marttinen, and Aki Vehtari. Finite Adaptation and Multistep Moves in the Metropolis-Hastings Algorithm for Variable Selection in Genome-Wide Association Analysis. PLoS ONE, 7, 11, e49445, November 2012. doi:10.1371/journal.pone.0049445. View at Publisher [Publication 3]: Tomi Peltola, Pasi Jylänki, and Aki Vehtari. Expectation Propagation for Likelihoods Depending on an Inner Product of Two Multivariate Random Variables. In Proceedings of the Seventeenth International Conference on Artificial Intelligence and Statistics, Journal of Machine Learning Research: Workshop and Conference Proceedings, 33, 769–777, Reykjavik, Iceland, April 2014.[Publication 4]: Tomi Peltola, Aki S. Havulinna, Veikko Salomaa, and Aki Vehtari. Hierarchical Bayesian Survival Analysis and Projective Covariate Selection in Cardiovascular Event Risk Prediction. In Proceedings of the Eleventh UAI Bayesian Modeling Applications Workshop, CEUR Workshop Proceedings, Vol-1218, 79–88, Quebec, Canada, July 2014. |
|
|
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Page content by: Aalto University Learning Centre | Privacy policy of the service | About this site