論文の概要: Directionally Dependent Multi-View Clustering Using Copula Model

• arxiv url: http://arxiv.org/abs/2003.07494v2
• Date: Sat, 22 Aug 2020 15:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:58:12.459945
• Title: Directionally Dependent Multi-View Clustering Using Copula Model
• Title（参考訳）: copulaモデルを用いた方向依存マルチビュークラスタリング
• Authors: Kahkashan Afrin, Ashif S. Iquebal, Mostafa Karimi, Allyson Souris, Se Yoon Lee, and Bani K. Mallick
• Abstract要約: ゲノム研究では、DNAの発現、DNAメチル化、RNAの発現に何らかの方向依存がある。 既存のマルチビュークラスタリングメソッドのほとんどは、独立した構造か、ペアワイズ(非方向性)の依存性を前提としています。 本論文では,コプラを用いたマルチビュークラスタリングモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.5097082077065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent biomedical scientific problems, it is a fundamental issue to integratively cluster a set of objects from multiple sources of datasets. Such problems are mostly encountered in genomics, where data is collected from various sources, and typically represent distinct yet complementary information. Integrating these data sources for multi-source clustering is challenging due to their complex dependence structure including directional dependency. Particularly in genomics studies, it is known that there is certain directional dependence between DNA expression, DNA methylation, and RNA expression, widely called The Central Dogma. Most of the existing multi-view clustering methods either assume an independent structure or pair-wise (non-directional) dependency, thereby ignoring the directional relationship. Motivated by this, we propose a copula-based multi-view clustering model where a copula enables the model to accommodate the directional dependence existing in the datasets. We conduct a simulation experiment where the simulated datasets exhibiting inherent directional dependence: it turns out that ignoring the directional dependence negatively affects the clustering performance. As a real application, we applied our model to the breast cancer tumor samples collected from The Cancer Genome Altas (TCGA).
• Abstract（参考訳）: 最近の生物医学的な問題では、複数のデータソースからオブジェクトの集合を統合的にクラスタ化することが基本的な問題である。 このような問題は、様々なソースからデータが収集され、典型的には異なるが相補的な情報を表すゲノミクスで主に発生する。 マルチソースクラスタリングのためのこれらのデータソースの統合は、方向依存を含む複雑な依存構造のために難しい。 特にゲノム研究では、DNAの発現、DNAメチル化、RNAの発現に一定の方向依存があることが知られており、The Central Dogmaと呼ばれている。 既存のマルチビュークラスタリングの手法のほとんどは、独立した構造あるいは対方向(非方向)依存性を前提として、方向関係を無視している。 そこで本研究では,copulaがデータセットに存在する方向依存に対応することを可能にする,copulaベースのマルチビュークラスタリングモデルを提案する。 シミュレーション実験では,方向依存を無視することがクラスタリング性能に悪影響を及ぼすことが判明した。 実際の応用として,癌ゲノムアルタス(TCGA)から採取した乳癌腫瘍標本に本モデルを適用した。

関連論文リスト

• Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
  複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。 具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。 これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
  論文  参考訳（メタデータ） (2024-07-26T15:32:21Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• UnitedHuman: Harnessing Multi-Source Data for High-Resolution Human Generation [59.77275587857252]
  総合的な人間のデータセットは、必然的に、局所的な部分についての不十分で低解像度な情報を持っている。 本稿では,高解像度な人為的生成モデルを共同で学習するために,様々な解像度画像を用いたマルチソースデータセットを提案する。
  論文  参考訳（メタデータ） (2023-09-25T17:58:46Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
  微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。 テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。 我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
  論文  参考訳（メタデータ） (2022-05-24T23:43:02Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Variational Selective Autoencoder: Learning from Partially-Observed Heterogeneous Data [45.23338389559936]
  本研究では,部分観測された異種データから表現を学習するための変分選択型オートエンコーダ(VSAE)を提案する。 vsaeは、観測データ、観測されていないデータ、およびインプテーションマスクの合同分布をモデル化することで、異種データの潜在依存関係を学習する。 その結果、データ生成や計算を含むさまざまな下流タスクの統一モデルが実現される。
  論文  参考訳（メタデータ） (2021-02-25T04:39:13Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。