Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spatial-Temporal Transformer with Error-Restricted Variance Estimation for Time Series Anomaly Detection Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Distributed MCMC Inference for Bayesian Non-parametric Latent Block Model

verfasst von : Reda Khoufache, Anisse Belhadj, Hanene Azzag, Mustapha Lebbah

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we introduce a novel Distributed Markov Chain Monte Carlo (MCMC) inference method for the Bayesian Non-Parametric Latent Block Model (DisNPLBM), employing the Master/Worker architecture. Our non-parametric co-clustering algorithm divides observations and features into partitions using latent multivariate Gaussian block distributions. The workload on rows is evenly distributed among workers, who exclusively communicate with the master and not among themselves. DisNPLBM demonstrates its impact on cluster labeling accuracy and execution times through experimental results. Moreover, we present a real-use case applying our approach to co-cluster gene expression data. The code source is publicly available at https://​github.​com/​redakhoufache/​Distributed-NPLBM

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Local Subsequence-Based Distribution for Time Series Clustering
Nächstes Kapitel Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering
Fußnoten
Literatur
1.
2.
Ben Slimen, Y., Allio, S., Jacques, J.: Model-based co-clustering for functional data. Neurocomputing 291, 97–108 (2018)
3.
Box, G.E., Cox, D.R.: An analysis of transformations. J. R. Stat. Soc. Ser. B Stat Methodol. 26(2), 211–243 (1964)CrossRef
4.
Cheng, X., Su, S., Gao, L., Yin, J.: Co-clusterd: a distributed framework for data co-clustering with sequential updates. IEEE Trans. Knowl. Data Eng. 27(12), 3231–3244 (2015)CrossRef
5.
Chowdary, D., Lathrop, J., Skelton, J., Curtin, K., Briggs, T., Zhang, Y., Yu, J., Wang, Y., Mazumder, A.: Prognostic gene expression signatures can be measured in tissues collected in rnalater preservative. J Mol Diagn 8(1), 31–39 (2006)CrossRef
6.
Deodhar, M., Jones, C., Ghosh, J.: Parallel simultaneous co-clustering and learning with map-reduce. In: 2010 IEEE International Conference on Granular Computing, pp. 149–154 (2010)
7.
Folino, F., Greco, G., Guzzo, A., Pontieri, L.: Scalable parallel co-clustering over multiple heterogeneous data types, pp. 529 – 535, August 2010
8.
Goffinet, E.: Multi-Block Clustering and Analytical Visualization of Massive Time Series from Autonomous Vehicle Simulation. Theses, Université Paris 13 Sorbonne Paris Nord, December 2021
9.
Goffinet, E., Lebbah, M., Azzag, G., Loic, G., Coutant, A.: Non-parametric multivariate time series co-clustering model applied to driving-assistance systems validation. In: International Workshop on Advanced Analysis & Learning on Temporal Data (2021)
10.
Govaert, G., Nadif, M.: Clustering with block mixture models. Pattern Recogn. 36, 463–473 (2003)
11.
Greco, G., Guzzo, A., Pontieri, L.: Coclustering multiple heterogeneous domains: Linear combinations and agreements. IEEE Trans. Knowl. Data Eng. 22(12), 1649–1663 (2010)CrossRef
12.
Hanisch, D., Zien, A., Zimmer, R.: Co-clustering of biological networks and gene expression data. Bioinformatics 18, 05 (2002)CrossRef
13.
Hubert, L., Arabie, P.: Comparing partitions. J. Classification 2(1), 193–218 (1985)CrossRef
14.
Meeds, E., Roweis, S., Meeds, E., Roweis, S.: Nonparametric bayesian biclustering (2007)
15.
Murphy, K.P.: Conjugate bayesian analysis of the gaussian distribution. def 1(2\(\sigma \)2), 16 (2007)
16.
Neal, R.M.: Markov chain sampling methods for Dirichlet process mixture models. J. Comput. Graph. Stat. 9(2), 249–265 (2000)MathSciNetCrossRef
17.
Nutt, C.L., et al.: Gene expression-based classification of malignant gliomas correlates better with survival than histological classification. Cancer Res. 63(7), 1602–1607 (2003)
18.
Papadimitriou, S., Sun, J.: Disco: distributed co-clustering with map-reduce: a case study towards petabyte-scale end-to-end mining. In: 2008 Eighth IEEE International Conference on Data Mining, pp. 512–521 (2008)
19.
Sethuraman, J.: A constructive definition of Dirichlet priors. Stat. Sin. 4(2), 639–650 (1994)MathSciNet
20.
Strehl, A., Ghosh, J.: Cluster ensembles - a knowledge reuse framework for combining multiple partitions. J. Mach. Learn. Res. 3, 583–617 (2002)
Metadaten
Titel
Distributed MCMC Inference for Bayesian Non-parametric Latent Block Model
verfasst von
Reda Khoufache
Anisse Belhadj
Hanene Azzag
Mustapha Lebbah
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-41-9

Electronic ISBN: 978-981-9722-42-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2242-6_22

Premium Partner

    Bildnachweise