論文の概要: Permutation-Invariant Subgraph Discovery

• arxiv url: http://arxiv.org/abs/2104.01063v1
• Date: Fri, 2 Apr 2021 14:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 17:28:52.628179
• Title: Permutation-Invariant Subgraph Discovery
• Title（参考訳）: 置換不変部分グラフ発見
• Authors: Raghvendra Mall, Shameem A. Parambath, Han Yufei, Ting Yu and Sanjay Chawla
• Abstract要約: PPI(Permutation and Structured Perturbation Inference)について紹介します。 PSPIは、システム生物学で発生する多くのグラフマッチングタスクを抽象化する新しい問題定式化です。 本稿では,PSPI問題の緩和版を解決するためのADMMアルゴリズム(STEPD)を提案する。
• 参考スコア（独自算出の注目度）: 16.380476734531513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Permutation and Structured Perturbation Inference (PSPI), a new problem formulation that abstracts many graph matching tasks that arise in systems biology. PSPI can be viewed as a robust formulation of the permutation inference or graph matching, where the objective is to find a permutation between two graphs under the assumption that a set of edges may have undergone a perturbation due to an underlying cause. For example, suppose there are two gene regulatory networks X and Y from a diseased and normal tissue respectively. Then, the PSPI problem can be used to detect if there has been a structural change between the two networks which can serve as a signature of the disease. Besides the new problem formulation, we propose an ADMM algorithm (STEPD) to solve a relaxed version of the PSPI problem. An extensive case study on comparative gene regulatory networks (GRNs) is used to demonstrate that STEPD is able to accurately infer structured perturbations and thus provides a tool for computational biologists to identify novel prognostic signatures. A spectral analysis confirms that STEPD can recover small clique-like perturbations making it a useful tool for detecting permutation-invariant changes in graphs.
• Abstract（参考訳）: システム生物学で発生する多くのグラフマッチングタスクを抽象化した,新しい問題定式化であるpspi(permutation and structured perturbation inference)を導入する。 PSPI は置換推論やグラフマッチングの堅牢な定式化と見なすことができ、その目的は2つのグラフの間の置換を見つけることである。 例えば、疾患組織と正常組織からそれぞれ2つの遺伝子調節ネットワークXとYが存在すると仮定する。 その後、PSPI問題は、疾患の徴候として機能する2つのネットワークの間に構造的変化があるかどうかを検出するために用いられる。 新しい問題定式化に加えて,PSPI問題の緩和版を解決するためのADMMアルゴリズム(STEPD)を提案する。 比較遺伝子制御ネットワーク(GRN)に関する広範なケーススタディは、STEPDが構造的摂動を正確に推測できることを示し、計算生物学者が新しい予後の署名を識別するためのツールを提供する。 スペクトル分析により、STEPDは小さな斜め状の摂動を回復し、グラフの置換不変変化を検出するのに有用なツールであることを確認した。

関連論文リスト

• Machines and Mathematical Mutations: Using GNNs to Characterize Quiver Mutation Classes [4.229995708813431]
  我々は、グラフニューラルネットワークとAI説明可能性技術を用いて、$tildeD_n$のクイバーの突然変異同値基準を発見する。 また、我々のモデルは、既知の基準を$D_n$から再構築できるように、その隠された表現内で構造をキャプチャすることを示した。
  論文  参考訳（メタデータ） (2024-11-12T01:09:41Z)
• CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations [6.5678927417916455]
  我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-10-10T01:01:10Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Permutation-Invariant Set Autoencoders with Fixed-Size Embeddings for Multi-Agent Learning [7.22614468437919]
  置換不変集合オートエンコーダ(PISA)を導入する。 PISAは、既存のベースラインよりも大幅に低い再構成誤差でエンコードを生成する。 マルチエージェントアプリケーションでその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-24T18:59:13Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• A step towards neural genome assembly [0.0]
  我々はMPNNモデルを最大集約器で訓練し、グラフ単純化のためのいくつかのアルゴリズムを実行する。 アルゴリズムがうまく学習され、トレーニングで使用されるグラフの最大20倍の大きさのグラフにスケールできることを示す。
  論文  参考訳（メタデータ） (2020-11-10T10:12:19Z)
• Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
  本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。 未知の置換と基数を持つ集合を予測するための新しい手法を提案する。 関連視覚問題に対する集合定式化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。