Probabilistic Latent Semantic Indexing is a novel approach to automated document indexing which is based on a statistical latent class model for factor analysis of count data. Fitted from a training corpus of text documents by a generalization of the Expectation Maximization algorithm, the utilized model is able to deal with domain{specific synonymy as well as with polysemous words. In contrast to standard Latent Semantic Indexing (LSI) by Singular Value Decomposition, the probabilistic variant has a solid statistical foundation and defines a proper generative data model. Retrieval experiments on a number of test collections indicate substantial performance gains over direct term matching methods as well as over LSI. In particular, the combination of models with different dimensionalities has proven to be advantageous.

Article Free AccessProbabilistic latent semantic indexing Author: Thomas Hofmann International Computer Science Institute, Berkeley, CA & EECS Department, CS Division, UC Berkeley International Computer Science Institute, Berkeley, CA & EECS Department, CS Division, UC BerkeleyView Profile Authors Info & Claims SIGIR '99: Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrievalAugust 1999 Pages 50–57https://doi.org/10.1145/312624.312649Published:01 August 1999Publication History 3,242citation13,366DownloadsMetricsTotal Citations3,242Total Downloads13,366Last 12 Months1,700Last 6 weeks212 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteeReaderPDF

Collaborative filtering aims at learning predictive models of user preferences, interests or behavior from community data, that is, a database of available user preferences. In this article, we describe a new family of model-based algorithms designed for this task. These algorithms rely on a statistical modelling technique that introduces latent class variables in a mixture model setting to discover user communities and prototypical interest profiles. We investigate several variations to deal with discrete and continuous response variables as well as with different objective functions. The main advantages of this technique over standard memory-based methods are higher accuracy, constant time prediction, and an explicit and compact model representation. The latter can also be used to mine for user communitites. The experimental evaluation shows that substantial improvements in accucracy over existing methods and published results can be obtained.

Learning general functional dependencies is one of the main goals in machine learning. Recent progress in kernel-based methods has focused on designing flexible and powerful input representations. This paper addresses the complementary issue of problems involving complex outputs such as multiple dependent output variables and structured output spaces. We propose to generalize multiclass Support Vector Machine learning in a formulation that involves features extracted jointly from inputs and outputs. The resulting optimization problem is solved efficiently by a cutting plane algorithm that exploits the sparseness and structural decomposition of the problem. We demonstrate the versatility and effectiveness of our method on problems ranging from supervised grammar learning and named-entity recognition, to taxonomic text classification and sequence alignment.

We review machine learning methods employing positive definite kernels. These methods formulate learning and estimation problems in a reproducing kernel Hilbert space (RKHS) of functions defined on the data domain, expanded in terms of a kernel. Working in linear spaces of function has the benefit of facilitating the construction and analysis of learning algorithms while at the same time allowing large classes of functions. The latter include nonlinear functions as well as functions defined on nonvectorial data. We cover a wide range of methods, ranging from binary classifiers to sophisticated methods for estimation with structured data.

Hormones, neurotransmitters, and growth factors give rise to calcium entry via receptor-activated cation channels that are activated downstream of phospholipase C activity. Members of the transient receptor potential channel (TRPC) family have been characterized as molecular substrates mediating receptor-activated cation influx. TRPC channels are assumed to be composed of multiple TRPC proteins. However, the cellular principles governing the assembly of TRPC proteins into homo- or heteromeric ion channels still remain elusive. By pursuing four independent experimental approaches—i.e., subcellular cotrafficking of TRPC subunits, differential functional suppression by dominant-negative subunits, fluorescence resonance energy transfer between labeled TRPC subunits, and coimmunoprecipitation—we investigate the combinatorial rules of TRPC assembly. Our data show that ( i ) TRPC2 does not interact with any known TRPC protein and ( ii ) TRPC1 has the ability to form channel complexes together with TRPC4 and TRPC5. ( iii ) All other TRPCs exclusively assemble into homo- or heterotetramers within the confines of TRPC subfamilies—e.g., TRPC4/5 or TRPC3/6/7. The principles of TRPC channel formation offer the conceptual framework to assess the physiological role of distinct TRPC proteins in living cells.

Most successful object recognition systems rely on binary classification, deciding only if an object is present or not, but not providing information on the actual object location. To perform localization, one can take a sliding window approach, but this strongly increases the computational cost, because the classifier function has to be evaluated over a large set of candidate subwindows. In this paper, we propose a simple yet powerful branch-and-bound scheme that allows efficient maximization of a large class of classifier functions over all possible subimages. It converges to a globally optimal solution typically in sublinear time. We show how our method is applicable to different object detection and retrieval scenarios. The achieved speedup allows the use of classifiers for localization that formerly were considered too slow for this task, such as SVMs with a spatial pyramid kernel or nearest neighbor classifiers based on the chi 2 -distance. We demonstrate state-of-the-art performance of the resulting systems on the UIUC Cars dataset, the PASCAL VOC 2006 dataset and in the PASCAL VOC 2007 competition.

Transient receptor potential melastatin-3 (TRPM3) is a broadly expressed Ca2+-permeable nonselective cation channel. Previous work has demonstrated robust activation of TRPM3 by the neuroactive steroid pregnenolone sulfate (PS), but its in vivo gating mechanisms and functions remained poorly understood. Here, we provide evidence that TRPM3 functions as a chemo- and thermosensor in the somatosensory system. TRPM3 is molecularly and functionally expressed in a large subset of small-diameter sensory neurons from dorsal root and trigeminal ganglia, and mediates the aversive and nocifensive behavioral responses to PS. Moreover, we demonstrate that TRPM3 is steeply activated by heating and underlies heat sensitivity in a subset of sensory neurons. TRPM3-deficient mice exhibited clear deficits in their avoidance responses to noxious heat and in the development of inflammatory heat hyperalgesia. These experiments reveal an unanticipated role for TRPM3 as a thermosensitive nociceptor channel implicated in the detection of noxious heat.

Partitioning a data set and extracting hidden structure from the data arises in different application areas of pattern recognition, speech and image processing. Pairwise data clustering is a combinatorial optimization method for data grouping which extracts hidden structure from proximity data. We describe a deterministic annealing approach to pairwise clustering which shares the robustness properties of maximum entropy inference. The resulting Gibbs probability distributions are estimated by mean-field approximation. A new structure-preserving algorithm to cluster dissimilarity data and to simultaneously embed these data in a Euclidian vector space is discussed which can be used for dimensionality reduction and data visualization. The suggested embedding algorithm which outperforms conventional approaches has been implemented to analyze dissimilarity data from protein analysis and from linguistics. The algorithm for pairwise data clustering is used to segment textured images.