論文の概要: Diffusion State Distances: Multitemporal Analysis, Fast Algorithms, and
Applications to Biological Networks
- arxiv url: http://arxiv.org/abs/2003.03616v1
- Date: Sat, 7 Mar 2020 17:43:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 19:04:32.501864
- Title: Diffusion State Distances: Multitemporal Analysis, Fast Algorithms, and
Applications to Biological Networks
- Title(参考訳): 拡散状態距離:多時間解析、高速アルゴリズムおよび生体ネットワークへの応用
- Authors: Lenore Cowen, Kapil Devkota, Xiaozhe Hu, James M. Murphy, and Kaiyi Wu
- Abstract要約: 本稿では拡散状態距離(DSD)と呼ばれるデータ依存計量を開発し解析する。
関連する拡散法とは異なり、DSDは時間スケールにまたがる情報を取り入れており、本質的なデータ構造をパラメータフリーで推論することができる。
また, DSDによるデノゲーションと次元低減のための新しいアルゴリズムを提案し, 解析した。
- 参考スコア(独自算出の注目度): 5.398990860654113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-dependent metrics are powerful tools for learning the underlying
structure of high-dimensional data. This article develops and analyzes a
data-dependent metric known as diffusion state distance (DSD), which compares
points using a data-driven diffusion process. Unlike related diffusion methods,
DSDs incorporate information across time scales, which allows for the intrinsic
data structure to be inferred in a parameter-free manner. This article develops
a theory for DSD based on the multitemporal emergence of mesoscopic equilibria
in the underlying diffusion process. New algorithms for denoising and dimension
reduction with DSD are also proposed and analyzed. These approaches are based
on a weighted spectral decomposition of the underlying diffusion process, and
experiments on synthetic datasets and real biological networks illustrate the
efficacy of the proposed algorithms in terms of both speed and accuracy.
Throughout, comparisons with related methods are made, in order to illustrate
the distinct advantages of DSD for datasets exhibiting multiscale structure.
- Abstract(参考訳): データ依存メトリクスは、高次元データの基盤構造を学ぶための強力なツールである。
本稿では,データ駆動拡散過程を用いて点を比較する拡散状態距離(dsd)と呼ばれるデータ依存メトリックを開発し,解析する。
関連する拡散法とは異なり、DSDは時間スケールにまたがる情報を取り入れ、本質的なデータ構造をパラメータフリーで推論することができる。
本稿では,拡散過程におけるメソスコピック平衡の多時的出現に基づくDSDの理論を考察する。
また, DSDによるデノゲーションと次元低減のための新しいアルゴリズムを提案し, 解析した。
これらのアプローチは、基礎となる拡散過程の重み付けされたスペクトル分解に基づいており、合成データセットと実際の生物学的ネットワークの実験では、速度と精度の両方の観点から提案アルゴリズムの有効性が示されている。
全体として、マルチスケール構造を示すデータセットに対するDSDの明確な利点を示すため、関連する手法との比較を行う。
関連論文リスト
- DynGMA: a robust approach for learning stochastic differential equations
from data [16.37145148171519]
パラメータ化されたSDEの遷移密度に新しい近似を導入する。
本手法は, 完全に未知のドリフト拡散関数の学習において, ベースライン法と比較して精度が高い。
低時間解像度と可変、さらには制御不能な時間ステップサイズでデータを処理できる。
論文 参考訳(メタデータ) (2024-02-22T12:09:52Z) - Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns [3.203036813451742]
データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
論文 参考訳(メタデータ) (2023-08-26T01:37:52Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。
本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。
構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文 参考訳(メタデータ) (2021-05-07T10:42:59Z) - Discriminant Dynamic Mode Decomposition for Labeled Spatio-Temporal Data
Collections [16.69145658813375]
ラベル付き時間データコレクションからコヒーレントパターンを抽出する新しい方法を提案する。
このようなパターン抽出を動的モード分解に識別解析を組み込むことで実現します。
合成データセットといくつかの実世界データセットを用いた手法を例示する。
論文 参考訳(メタデータ) (2021-02-19T15:12:59Z) - Coarse-grained and emergent distributed parameter systems from data [0.6117371161379209]
我々は計算システムデータからPDEを導出する。
特に、ここでは、多様体学習技術の使用に焦点を当てる。
我々は、確立されたPDEの例を通して、それぞれのアプローチを実証する。
論文 参考訳(メタデータ) (2020-11-16T18:02:01Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。