論文の概要: Graph Learning for Inverse Landscape Genetics

• arxiv url: http://arxiv.org/abs/2006.12334v3
• Date: Tue, 9 Mar 2021 23:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 05:02:22.872945
• Title: Graph Learning for Inverse Landscape Genetics
• Title（参考訳）: 逆景観遺伝学のためのグラフ学習
• Authors: Prathamesh Dharangutte, Christopher Musco
• Abstract要約: 逆ランドスケープ遺伝学は、生物多様性と長期の種生存を脅かす種分散を発見する上で重要である。 我々の主な貢献は、異なる場所(グラフノード)における遺伝的類似性の測定からこのグラフを推定する作業である、近地景観遺伝学の効率的なアルゴリズムである。 研究者に強力で汎用的なツールを提供することで、私たちの研究がランドスケープ遺伝学の研究の加速に影響を与えることを期待しています。
• 参考スコア（独自算出の注目度）: 18.52385316489263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of inferring unknown graph edges from numerical data at a graph's nodes appears in many forms across machine learning. We study a version of this problem that arises in the field of \emph{landscape genetics}, where genetic similarity between organisms living in a heterogeneous landscape is explained by a weighted graph that encodes the ease of dispersal through that landscape. Our main contribution is an efficient algorithm for \emph{inverse landscape genetics}, which is the task of inferring this graph from measurements of genetic similarity at different locations (graph nodes). Inverse landscape genetics is important in discovering impediments to species dispersal that threaten biodiversity and long-term species survival. In particular, it is widely used to study the effects of climate change and human development. Drawing on influential work that models organism dispersal using graph \emph{effective resistances} (McRae 2006), we reduce the inverse landscape genetics problem to that of inferring graph edges from noisy measurements of these resistances, which can be obtained from genetic similarity data. Building on the NeurIPS 2018 work of Hoskins et al. 2018 on learning edges in social networks, we develop an efficient first-order optimization method for solving this problem. Despite its non-convex nature, experiments on synthetic and real genetic data establish that our method provides fast and reliable convergence, significantly outperforming existing heuristics used in the field. By providing researchers with a powerful, general purpose algorithmic tool, we hope our work will have a positive impact on accelerating work on landscape genetics.
• Abstract（参考訳）: グラフのノードの数値データから未知のグラフエッジを推測する問題は、機械学習全体で様々な形で見られる。 本研究では,不均質な景観に生息する生物同士の遺伝的類似性を,その景観における分散の容易さをエンコードする重み付きグラフによって説明する,"emph{landscape genetics}"という分野において発生するこの問題を考察する。 我々の主な貢献は、異なる場所(グラフノード)における遺伝的類似性の測定からこのグラフを推定するタスクである「emph{inverse landscape genetics」の効率的なアルゴリズムである。 逆ランドスケープ遺伝学は生物多様性と長期的な種生存を脅かす種分散の障害を発見するのに重要である。 特に、気候変動と人間の発達の影響を研究するために広く使われている。 グラフ<emph{ effective resistances} (mcrae 2006) を用いて生物が分散する影響のある研究について考察し, 遺伝的類似性データから得られるこれらの抵抗のノイズ測定からグラフエッジを推定する手法に逆ランドスケープ遺伝的問題を還元する。 ソーシャルネットワークにおける学習エッジに関するHoskinsらによるNeurIPS 2018の成果に基づいて,この問題を解決するための効率的な一階最適化手法を開発した。 非凸性にもかかわらず、合成および実際の遺伝データに関する実験は、我々の手法が高速で信頼性の高い収束を提供し、この分野で使われている既存のヒューリスティックスを著しく上回っていることを証明している。 研究者に強力で汎用的なアルゴリズムツールを提供することで、我々の研究が景観遺伝学の研究の加速にプラスの影響を与えることを願っています。

関連論文リスト

• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Product Manifold Representations for Learning on Biological Pathways [13.0916239254532]
  非ユークリッド混合曲率空間における埋め込み経路グラフの効果について検討する。 学習ノード埋め込みを用いて教師付きモデルを訓練し、経路グラフにおけるタンパク質とタンパク質の相互作用の欠如を予測する。 混合曲率埋め込みにより, 分散エッジ予測性能が大幅に低下し, また, 分散エッジ予測性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-27T18:46:19Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• RepBin: Constraint-based Graph Representation Learning for Metagenomic Binning [12.561034842067889]
  本稿では,ノードがサブシーケンスであり,エッジがホモフィリー情報を表すグラフを用いた新しい定式化を提案する。 我々は,ホモフィリな関係とヘテロフィリな制約の両方を保持するグラフ表現学習のための新しいアルゴリズムを開発した。 我々の手法はRepBinと呼ばれ、様々な競合する手法より優れている。
  論文  参考訳（メタデータ） (2021-12-22T07:01:01Z)
• VEGN: Variant Effect Prediction with Graph Neural Networks [19.59965282985234]
  本稿では,遺伝子と変異を持つ異種グラフ上で動作するグラフニューラルネットワーク(GNN)を用いて,変異効果予測をモデル化したVEGNを提案する。 このグラフは、変異体を遺伝子に割り当て、遺伝子-遺伝子相互作用ネットワークに遺伝子を接続することによって作成される。 VeGNは既存の最先端モデルの性能を改善する。
  論文  参考訳（メタデータ） (2021-06-25T13:51:46Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Meta-path Free Semi-supervised Learning for Heterogeneous Networks [16.641434334366227]
  グラフニューラルネットワーク(GNN)はグラフの表現学習に広く使われており、ノード分類などのタスクにおいて優れたパフォーマンスを実現している。 本稿では,メタパスを除く異種グラフに対して,単純かつ効率的なグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-18T06:01:58Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。