Identifying Complex Brain Networks Using Penalized Regression Methods
نویسندگان
چکیده
منابع مشابه
Sparse Brain Network using Penalized Linear Regression
Sparse partial correlation is a useful connectivity measure for brain networks, especially, when it is hard to compute the exact partial correlation due to the small-n large-p situation. In this paper, we consider a sparse linear regression model with a l1-norm penalty for estimating sparse brain connectivity based on the partial correlation. For the numerical experiments, we construct the spar...
متن کاملcomparative dna interaction studies of antiviral drug, zidovudine and its complex using different instrumental methods
هدف از این مطالعه بررسی امکان استفاده از داروهای شناخته شده در درمان سایر بیماریها به عنوان داروهای ضد سرطان است. همچنین با استفاده از این داروها در ساختمان کمپلکس فلز می توان شاخص های دارویی بدست آمده را بررسی نمود. داروی ضد ویروس ایدز(hiv)به نام زیدوودین(azt)انتخاب و.کمپلکس.محلول.در.آب[pt(azt)2]cl2سنتزو به روشهای مختلف فیزیکی و شیمیایی شناسایی گردید. بر هم کنش مقایسه ای این دارو و کمپلکس پلا...
15 صفحه اولCompound identification using penalized linear regression
s Service (CAS) registry number. In the simulation studies, we consider the mass spectra extracted from the NIST Chemistry WebBook (NIST library) as a reference library and the repetitive library as query (experimental) data. In addition, since we assume that the NIST library has the mass spectrum information for all the
متن کاملOutlier Detection Using Nonconvex Penalized Regression
This paper studies the outlier detection problem from the point of view of penalized regressions. Our regression model adds one mean shift parameter for each of the n data points. We then apply a regularization favoring a sparse vector of mean shift parameters. The usual L1 penalty yields a convex criterion, but we find that it fails to deliver a robust estimator. The L1 penalty corresponds to ...
متن کاملNonparametric regression estimation using penalized least squares
We present multivariate penalized least squares regression estimates. We use Vapnik{ Chervonenkis theory and bounds on the covering numbers to analyze convergence of the estimates. We show strong consistency of the truncated versions of the estimates without any conditions on the underlying distribution.
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Journal of Biological Physics
سال: 2008
ISSN: 0092-0606,1573-0689
DOI: 10.1007/s10867-008-9077-0