Couvre les mesures d'information telles que l'entropie, la divergence Kullback-Leibler et l'inégalité de traitement des données, ainsi que les noyaux de probabilité et les informations mutuelles.
Explore l'information mutuelle dans les données biologiques, en mettant l'accent sur son rôle dans la quantification de la dépendance statistique et l'analyse des séquences protéiques.
Explore la corrélation maximale dans la théorie de l'information, les propriétés mutuelles de l'information, les mesures de Renyi et les fondements mathématiques de la théorie de l'information.
Couvre les marginaux articulaires et la causalité de Granger dans la théorie des probabilités, en expliquant leurs implications dans la prédiction des résultats.
Explore l'information mutuelle, quantifiant les relations entre les variables aléatoires et mesurant le gain d'information et la dépendance statistique.
Il s'agit d'analyser la coévolution des résidus dans les familles de protéines afin de saisir les contacts indigènes et de prédire la proximité spatiale et les interactions protéiques.
