Réduction de la dimension non linéaire pour améliorer l'exactitude prédictive des études génomiques et de neuroimagerie

Les études génomiques et de neuroimagerie modernes collectent des données à échelle très fine dans l'espoir de comprendre l'architecture des systèmes de maladie complexes. Cependant, la taille généralement modérée de l'échantillon complique l'utilisation de modèles de prévision complexes qui contiennent souvent des centaines de paramètres à estimer. Dans cette présentation, nous explorons comment utiliser des méthodes de réduction de la dimension non linéaire afin d'extraire des facteurs non linéaires adaptés à un modèle de prévision simple. Nous étudions deux classes de méthodes : des extensions non linéaires de méthodes linéaires traditionnelles (kernel PCA, etc.) et des méthodes d'apprentissage de variétés (Locally Linear Embedding, etc.). Nous introduisons un cadre de simulation non linéaire pour évaluer la capacité de ces méthodes à estimer des structures latentes avec précision. Nous comparons aussi les gains en exactitude prédictive par rapport aux méthodes linéaires traditionnelles. Enfin, nous explorons l'applicabilité de ce cadre à la prévision de la maladie d'Alzheimer avec des données de neuroimagerie structurelle.

Date/Heure: 

Mardi, 5 juin, 2018 - 15:30 - 15:45

Co-auteurs (non y compris vous-même) : 

Celia Greenwood
McGill University
Aurélie Labbe
HEC Montréal

Langue de la présentation: 

English

Langue des supports visuels: 

English

Type de présentation: 

Contributed

Session: 

Orateur

Prénom Second prénom Nom de famille Affiliation primaire
Maxime Turgeon McGill University