論文の概要: Nonnegative spatial factorization

• arxiv url: http://arxiv.org/abs/2110.06122v1
• Date: Tue, 12 Oct 2021 16:09:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 15:28:17.080184
• Title: Nonnegative spatial factorization
• Title（参考訳）: 非負の空間因子化
• Authors: F. William Townes and Barbara E. Engelhardt
• Abstract要約: 非負の空間因子化(非負の空間因子化、NSF)は空間的に認識される確率的次元減少モデルであり、自然に空間性を促進する。 NSFは遺伝子発現の一般化可能な空間パターンを同定する。 遺伝子発現のすべてのパターンが空間的であるわけではないので、空間的成分と非空間的成分を組み合わせたNSFのハイブリッド拡張も提案する。
• 参考スコア（独自算出の注目度）: 3.7148509508343768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian processes are widely used for the analysis of spatial data due to their nonparametric flexibility and ability to quantify uncertainty, and recently developed scalable approximations have facilitated application to massive datasets. For multivariate outcomes, linear models of coregionalization combine dimension reduction with spatial correlation. However, their real-valued latent factors and loadings are difficult to interpret because, unlike nonnegative models, they do not recover a parts-based representation. We present nonnegative spatial factorization (NSF), a spatially-aware probabilistic dimension reduction model that naturally encourages sparsity. We compare NSF to real-valued spatial factorizations such as MEFISTO and nonspatial dimension reduction methods using simulations and high-dimensional spatial transcriptomics data. NSF identifies generalizable spatial patterns of gene expression. Since not all patterns of gene expression are spatial, we also propose a hybrid extension of NSF that combines spatial and nonspatial components, enabling quantification of spatial importance for both observations and features. A TensorFlow implementation of NSF is available from https://github.com/willtownes/nsf-paper .
• Abstract（参考訳）: ガウス過程は、その非パラメトリックな柔軟性と不確かさを定量化できる能力のために、空間データの分析に広く使われており、最近開発されたスケーラブルな近似は、大規模データセットへの応用を促進する。 多変量結果に対して、コリージョン化の線形モデルは次元減少と空間相関を結合する。 しかし、非負のモデルとは異なり、部品ベースの表現を回復しないため、実数値の潜在因子やロードは解釈が難しい。 非負空間分解 (non negative spatial factorization, nsf) は、自然にスパーシティを助長する確率的次元減少モデルである。 シミュレーションと高次元空間転写学データを用いたMEFISTOや非空間次元縮小法などの実数値空間分解との比較を行った。 NSFは遺伝子発現の一般化可能な空間パターンを同定する。 遺伝子発現のすべてのパターンが空間的であるわけではないので、空間的および非空間的要素を組み合わせたNSFのハイブリッド拡張を提案し、観察と特徴の両方において空間的重要性の定量化を可能にする。 NSFのTensorFlow実装はhttps://github.com/willtownes/nsf-paperから入手できる。

関連論文リスト

• A Metaheuristic for Amortized Search in High-Dimensional Parameter Spaces [0.0]
  本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。 DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。 実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-28T14:25:14Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• Spatial Re-parameterization for N:M Sparsity [92.72334929464013]
  N:M間隔は空間領域内で一定の間隔率を示す。 構造のない空間は 空間領域をまたがる 空間の空間性にかなりのばらつきを 示しています SpReは、N:Mのスパーシリティ法と最先端の非構造化のスパーシティ法のパフォーマンスをマッチングすることで、賞賛できる偉業を成し遂げた。
  論文  参考訳（メタデータ） (2023-06-09T01:11:50Z)
• Neural networks for geospatial data [0.0]
  NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。 理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
  論文  参考訳（メタデータ） (2023-04-18T17:52:23Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Non-equispaced Fourier Neural Solvers for PDEs [43.42089594581029]
  textscNFSは、非等価シナリオで乱流をモデル化するメッシュ不変推論機能を備えたMLベースの最初の方法である。 MAEは42.85%の費用で優れた性能を達成し、不平等なデータを少ない精度で処理できる。
  論文  参考訳（メタデータ） (2022-12-09T06:36:54Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Atlas Generative Models and Geodesic Interpolation [0.20305676256390928]
  我々は,Atlas Generative Models (AGMs) の一般クラスを定義する。 グラフに基づく測地線のアルゴリズムをAGMの設定に一般化してこれを実証し、その性能を実験的に検証する。
  論文  参考訳（メタデータ） (2021-01-30T16:35:25Z)

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。