#مقاله_جدید_ما

🔬📊 خوشحالیم‌ که مقاله جدید ما در مجله
Computational and Structural Biotechnology Journal
منتشر شد.

عنوان مقاله:

Informative Missingness in Nominal Data: A Graph-Theoretic Approach to Revealing Hidden Structure

چکیده:

🧬 در بسیاری از مطالعات، داده‌های گمشده در متغیرهای اسمی صرفاً به‌عنوان یک مشکل آماری در نظر گرفته می‌شوند و معمولاً حذف یا جایگزین می‌شوند. اما آیا خودِ الگوی گمشدگی می‌تواند حاوی اطلاعات ارزشمند باشد؟

⚙️ در این پژوهش، رویکردی مبتنی بر نظریه گراف ارائه کرده‌ایم که داده‌های گمشده را نه به‌عنوان خلأهایی برای پر کردن، بلکه به‌عنوان سیگنال‌هایی معنادار و اطلاعات‌زا در نظر می‌گیرد. برای این منظور، متغیرهای اسمی را به‌صورت گره‌ها و روابط مشاهده‌شده یا گمشده را به‌صورت یال‌ها مدل‌سازی کردیم و با استفاده از گراف‌های دوبخشی وزن‌دار و بدون وزن، ویژگی‌هایی مانند modularity، nestedness و شباهت‌های مبتنی بر projection را مورد بررسی قرار دادیم.

💡 این چارچوب امکان شناسایی خوشه‌ها و توصیف ساختار داده‌های اسمی را بر اساس الگوهای مشاهده و گمشدگی فراهم می‌کند. همچنین از روش‌های جایگذاری داده برای پیش‌بینی یال‌ها استفاده کردیم تا ارزیابی کنیم که مقادیر برآوردشده تا چه اندازه ساختارهای نهفته در داده‌ها را حفظ می‌کنند.

🧠 نتایج حاصل از مجموعه‌ای از مطالعات موردی در حوزه‌های زیستی، بوم‌شناختی و اجتماعی — از جمله داده‌های پروتئومیکس، مجموعه داده دارویی BeatAML، شبکه‌های گرده‌افشانی و داده‌های منابع انسانی — نشان داد که الگوهای گمشدگی اغلب بازتابی از محدودیت‌ها، سازوکارها و زیرساختارهای واقعی سیستم‌ها هستند. این الگوها می‌توانند به تمایز میان داده‌های Missing At Random (MAR) و Not Missing At Random (NMAR) نیز کمک کنند.

📖 در مجموع، یافته‌های ما یک تغییر نگرش مفهومی را پیشنهاد می‌کنند: داده‌های گمشده تنها مانعی برای تحلیل نیستند، بلکه در بسیاری از موارد خود بخشی از اطلاعات سیستم هستند و در صورت مدل‌سازی مناسب می‌توانند درک عمیق‌تری از ساختار و رفتار سیستم‌های پیچیده فراهم کنند.

📖 مقاله کامل را از طریق این لینک مطالعه کنید.

@JafaRiLab