論文の概要: Beyond Data Samples: Aligning Differential Networks Estimation with Scientific Knowledge

• arxiv url: http://arxiv.org/abs/2004.11494v2
• Date: Thu, 21 Apr 2022 19:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:00:00.892800
• Title: Beyond Data Samples: Aligning Differential Networks Estimation with Scientific Knowledge
• Title（参考訳）: データサンプルを超えて:微分ネットワーク推定と科学的知識の整合
• Authors: Arshdeep Sekhon, Zhe Wang, Yanjun Qi
• Abstract要約: 提案した推定器は多数の変数に対してスケーラブルであり、鋭い収束率を達成する。 本研究は, 遺伝的ネットワーク同定と脳コネクトーム変化発見において, グループ, 空間, 解剖学的知識を統合することの意義を明らかにするものである。
• 参考スコア（独自算出の注目度）: 18.980524563441975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the differential statistical dependency network between two contexts is essential for many real-life applications, mostly in the high dimensional low sample regime. In this paper, we propose a novel differential network estimator that allows integrating various sources of knowledge beyond data samples. The proposed estimator is scalable to a large number of variables and achieves a sharp asymptotic convergence rate. Empirical experiments on extensive simulated data and four real-world applications (one on neuroimaging and three from functional genomics) show that our approach achieves improved differential network estimation and provides better supports to downstream tasks like classification. Our results highlight significant benefits of integrating group, spatial and anatomic knowledge during differential genetic network identification and brain connectome change discovery.
• Abstract（参考訳）: 2つの文脈間の差分統計依存ネットワークを学習することは、多くの実生活アプリケーション、主に高次元の低サンプル状態において不可欠である。 本稿では,データサンプル以外の様々な知識源を統合可能な新しい微分ネットワーク推定器を提案する。 提案する推定器は,多数の変数に拡張可能で,鋭い漸近収束率を実現する。 広範にシミュレーションされたデータと4つの実世界の応用(ニューロイメージングと機能ゲノミクスによる3つの応用)に関する実証実験により,本手法はより優れた差分ネットワーク推定を実現し,分類などの下流タスクへのより良いサポートを提供することを示す。 本研究は, 遺伝的ネットワーク同定と脳コネクトーム変化発見において, グループ, 空間, 解剖学的知識を統合することの意義を明らかにするものである。

関連論文リスト

• Representation-Enhanced Neural Knowledge Integration with Application to Large-Scale Medical Ontology Learning [3.010503480024405]
  本稿では,関係型の同時学習を実現するため,理論的に保証されたRENKIという統計フレームワークを提案する。 提案フレームワークは,表現学習出力をニューラルネットワークの初期エンティティ埋め込みに組み込んで,知識グラフのスコア関数を近似する。 ヘテロジニアス関係の存在下での重み付けの効果と、非パラメトリックモデルに表現学習を組み込むことの利点を実証する。
  論文  参考訳（メタデータ） (2024-10-09T21:38:48Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Mutual Information Estimation via $f$-Divergence and Data Derangements [6.43826005042477]
  本稿では,$f$-divergenceの変動表現に基づく,新たな識別情報推定手法を提案する。 提案した推定器は、優れたバイアス/分散トレードオフを示すため、柔軟である。
  論文  参考訳（メタデータ） (2023-05-31T16:54:25Z)
• MAGDiff: Covariate Data Set Shift Detection via Activation Graphs of Deep Neural Networks [8.887179103071388]
  我々は、任意のニューラルネットワーク分類器から抽出するMAGDiffと呼ばれる新しい表現群を提案する。 これらの表現は、トレーニング分布に属するサンプルと目標分布とのニューラルネットワークのアクティベーショングラフを比較して計算される。 本稿では,ネットワーク出力に依存した最先端のベースラインに対して,新しい表現が大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-22T17:34:47Z)
• Learning Likelihood Ratios with Neural Network Classifiers [0.12277343096128711]
  確率比の近似は、ニューラルネットワークベースの分類器の巧妙なパラメトリゼーションを用いて計算することができる。 本稿では、いくつかの共通損失関数の性能と分類器出力のパラメトリゼーションを詳述した一連の実証研究について述べる。
  論文  参考訳（メタデータ） (2023-05-17T18:11:38Z)
• 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)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• 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)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。