008240612s2023      us  |||||||||||||||c||eng  d
■001000016935303
■00520240214101916
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380588379
■035    ▼a(MiAaPQ)AAI30688278
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aRodriguez,  Victor  A.
■24510▼aPhenotyping  With  Partially  Labeled,  Partially  Observed  Data▼h[electronic  resource]
■260    ▼a[S.l.]:▼bColumbia  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(133  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Perotte,  Adler.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIdentifying  a  group  of  individuals  that  share  a  common  set  of  characteristics  is  a  conceptually  simple  task,  which  is  often  difficult  in  practice.  Such  phenotyping  problems  emerge  in  various  settings,  including  the  analysis  of  clinical  data.  In  this  setting,  phenotyping  is  often  stymied  by  persistent  data  quality  issues.  These  include  a  lack  of  reliable  labels  to  indicate  the  presence  of  absence  of  characteristics  of  interest,  and  significant  missingness  in  observed  variables.  This  dissertation  introduces  methods  for  learning  phenotypes  when  the  data  contain  missing  values  (partially  observed)  and  labels  are  scarce  (partially  labeled).  Aim  1  utilizes  an  unsupervised  probabilistic  graphical  model  to  learn  phenotypes  from  partially  observed  data.  Aim  2  introduces  a  related  semi-supervised  probabilistic  graphical  model  for  learning  phenotypes  from  partially  labeled  clinical  data.  Finally,  Aim  3  describes  a  method  for  training  deep  generative  models  when  the  training  data  contain  missing  values.  The  algorithm  is  then  applied  in  a  semi-supervised  setting  where  it  accounts  for  partially  labeled  data  as  well.
■590    ▼aSchool  code:  0054.
■650  4▼aBioinformatics.
■650  4▼aComputer  engineering.
■650  4▼aBiomedical  engineering.
■653    ▼aDeep  generative  models
■653    ▼aGraphical  models
■653    ▼aMachine  learning
■653    ▼aPhenotyping
■690    ▼a0715
■690    ▼a0464
■690    ▼a0541
■70010▼aTatonetti,  Nicholas▼ejoint  author
■71020▼aColumbia  University▼bBiomedical  Informatics.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935303▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024