論文の概要: Diff2Dist: Learning Spectrally Distinct Edge Functions, with
Applications to Cell Morphology Analysis
- arxiv url: http://arxiv.org/abs/2106.15716v1
- Date: Tue, 29 Jun 2021 20:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 01:22:24.427714
- Title: Diff2Dist: Learning Spectrally Distinct Edge Functions, with
Applications to Cell Morphology Analysis
- Title（参考訳）: Diff2Dist: スペクトル固有エッジ関数の学習と細胞形態解析への応用
- Authors: Cory Braker Scott, Eric Mjolsness, Diane Oyen, Chie Kodera, David
Bouchez, and Magalie Uyttewaal
- Abstract要約: 本稿では,グラフのエッジウェイトを「目に見える記述的」に学習する手法を提案する。
グラフ上の既知距離測度を一般化する(グラフ拡散距離)
また,この手法の生体画像解析への応用についても述べる。
- 参考スコア（独自算出の注目度）: 4.133143218285944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a method for learning "spectrally descriptive" edge weights for
graphs. We generalize a previously known distance measure on graphs (Graph
Diffusion Distance), thereby allowing it to be tuned to minimize an arbitrary
loss function. Because all steps involved in calculating this modified GDD are
differentiable, we demonstrate that it is possible for a small neural network
model to learn edge weights which minimize loss. GDD alone does not effectively
discriminate between graphs constructed from shoot apical meristem images of
wild-type vs. mutant \emph{Arabidopsis thaliana} specimens. However, training
edge weights and kernel parameters with contrastive loss produces a learned
distance metric with large margins between these graph categories. We
demonstrate this by showing improved performance of a simple
k-nearest-neighbors classifier on the learned distance matrix. We also
demonstrate a further application of this method to biological image analysis:
once trained, we use our model to compute the distance between the biological
graphs and a set of graphs output by a cell division simulator. This allows us
to identify simulation parameter regimes which are similar to each class of
graph in our original dataset.
- Abstract（参考訳）: 本稿では,グラフのエッジ重み付けを視覚的に記述する手法を提案する。
グラフ上の既知距離測度(グラフ拡散距離)を一般化することにより、任意の損失関数を最小限に抑えることができる。
この修正gddの計算にかかわる全てのステップは微分可能であるため、小さなニューラルネットワークモデルが損失を最小限に抑えるようなエッジ重みを学習できることを実証する。
gdd単独では、野生種と変異種 \emph{arabidopsis thaliana} のメリステム画像から構築されたグラフを効果的に判別することができない。
しかし、対照的な損失を伴うエッジウェイトとカーネルパラメータのトレーニングは、これらのグラフカテゴリ間の大きなマージンを持つ学習距離メトリックを生成する。
学習距離行列上での単純なk-nearest-neighbors分類器の性能向上を示す。
また,生物画像解析への本手法のさらなる応用として,細胞分裂シミュレータにより出力される生体グラフとグラフの集合との距離を計算するために,モデルを用いて訓練を行った。
これにより、オリジナルのデータセットのグラフの各クラスに類似したシミュレーションパラメータレジームを識別できます。
関連論文リスト
- Learning Cartesian Product Graphs with Laplacian Constraints [10.15283812819547]
ラプラシアン制約下でのカルト積グラフの学習問題について検討する。
我々は、ペナルティ化された最大推定値に対する統計的整合性を確立する。
また、構造的欠落のある値の存在下で、効率的な共同グラフ学習と計算を行う方法を拡張した。
論文 参考訳（メタデータ） (2024-02-12T22:48:30Z) - Signal Processing in the Retina: Interpretable Graph Classifier to
Predict Ganglion Cell Responses [26.403303281303092]
そこで我々は,視覚刺激に応答してガングリオン細胞の発火を予測できるグラフベース分類器を学習した。
我々の枠組みは、解釈を必要とする前兆的特徴を持つ他の生物学的システムに適用できる。
論文 参考訳（メタデータ） (2024-01-03T16:15:22Z) - Graph Fourier MMD for Signals on Graphs [67.68356461123219]
本稿では,グラフ上の分布と信号の間の新しい距離を提案する。
GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。
グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
論文 参考訳（メタデータ） (2023-06-05T00:01:17Z) - Towards Accurate Subgraph Similarity Computation via Neural Graph
Pruning [22.307526272085024]
本研究では,グラフプルーニングをノード遅延問題に変換し,それを微分可能な問題に緩和する。
このアイデアに基づいて、サブグラフ編集距離(SED)のタイプを近似する新しいニューラルネットワークを設計する。
モデルの設計では,クエリグラフに関する情報を活用し,対象グラフのプルーニングを誘導するアテンション機構を提案する。
論文 参考訳（メタデータ） (2022-10-19T15:16:28Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳（メタデータ） (2022-05-31T12:24:01Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-02-07T08:04:59Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Detection of Alzheimer's Disease Using Graph-Regularized Convolutional
Neural Network Based on Structural Similarity Learning of Brain Magnetic
Resonance Images [3.478478232710667]
磁気共鳴画像(MRI)間の構造的類似性を学習したアルツハイマー病(AD)検出法を提案する。
入力画像の埋め込み特徴(Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), Moderated Demented (MDTD))を用いて類似度グラフを構築する。
論文 参考訳（メタデータ） (2021-02-25T14:49:50Z) - 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) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z)
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。