論文の概要: Extending compositional data analysis from a graph signal processing perspective

• arxiv url: http://arxiv.org/abs/2201.10610v1
• Date: Tue, 25 Jan 2022 20:14:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 13:25:30.513467
• Title: Extending compositional data analysis from a graph signal processing perspective
• Title（参考訳）: グラフ信号処理の観点からの合成データ解析の拡張
• Authors: Christopher Rieser and Peter Filzmoser
• Abstract要約: 本稿では,合成データ解析とグラフ信号処理を関連付ける。 これはアッチソン幾何学を、選択された対数比のみを考慮できる設定に拡張する。
• 参考スコア（独自算出の注目度）: 1.066048003460524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional methods for the analysis of compositional data consider the log-ratios between all different pairs of variables with equal weight, typically in the form of aggregated contributions. This is not meaningful in contexts where it is known that a relationship only exists between very specific variables (e.g.~for metabolomic pathways), while for other pairs a relationship does not exist. Modeling absence or presence of relationships is done in graph theory, where the vertices represent the variables, and the connections refer to relations. This paper links compositional data analysis with graph signal processing, and it extends the Aitchison geometry to a setting where only selected log-ratios can be considered. The presented framework retains the desirable properties of scale invariance and compositional coherence. An additional extension to include absolute information is readily made. Examples from bioinformatics and geochemistry underline the usefulness of thisapproach in comparison to standard methods for compositional data analysis.
• Abstract（参考訳）: 構成データの伝統的な分析方法は、同じ重さの変数の全ての異なる対間の対比(英語版)(log-ratios)を考える。 これは、特定の変数(例えばメタボロミック経路)の間にのみ関係が存在することが分かっている文脈では意味を持たないが、他のペアでは関係は存在しない。 関係の欠如や存在のモデル化はグラフ理論において行われ、頂点は変数を表し、接続は関係を表す。 本稿では,合成データ解析とグラフ信号処理を関連付け,Aitchison幾何を,選択した対数比のみを考慮可能な設定に拡張する。 提案するフレームワークはスケール不変性と構成コヒーレンスの望ましい特性を保っている。 絶対情報を含む追加拡張を容易に行う。 バイオインフォマティクスや地球化学の例は、合成データ分析の標準的な方法と比較して、このアプローチの有用性を示唆している。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Signed graphs in data sciences via communicability geometry [55.2480439325792]
  符号付きグラフに対する可換幾何学の概念を提案し、この空間における可換距離や角度などの測度がユークリッド的かつ球面的であることを証明した。 次に、これらのメトリクスを適用して、署名付きグラフのデータ解析におけるいくつかの問題を統一的に解決する。
  論文  参考訳（メタデータ） (2024-03-12T10:32:35Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Improving Heterogeneous Graph Learning with Weighted Mixed-Curvature Product Manifold [4.640835690336652]
  グラフ表現学習において、入力グラフの複雑な幾何学構造、例えばノード間の隠れ関係は、埋め込み空間においてよく捉えられる。 標準ユークリッド埋め込み空間は、様々な構造のグラフを表現する能力に制限がある。 様々な構造を持つデータの忠実な埋め込みに対する有望な候補は、積多様体の埋め込み空間である。
  論文  参考訳（メタデータ） (2023-07-10T12:20:50Z)
• Demystifying Graph Convolution with a Simple Concatenation [6.542119695695405]
  グラフトポロジ、ノード特徴、ラベル間の重なり合う情報を定量化する。 グラフの畳み込みは、グラフの畳み込みに代わる単純だが柔軟な代替手段であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T16:39:33Z)
• Reproducing Kernels and New Approaches in Compositional Data Analysis [0.0]
  人間の腸内マイクロバイオームのような構成データを分析するには、データの形状を慎重に扱う必要がある。 本研究では、合成データが本質的に射影的であるというキーとなる観察に基づいて、構成領域を群作用によって外される球の商位相として再解釈する。 この構成データのためのRKHSの構築は、今後の方法論開発のために広く研究の道を開くだろう。
  論文  参考訳（メタデータ） (2022-05-02T18:46:23Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Definite Non-Ancestral Relations and Structure Learning [10.8738893134525]
  CPDAGとd-セパレーション関係による祖先関係のグラフィカルな特徴について検討する。 本研究では,骨格を学習することなく,特定の非祖先関係を学習できる枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-20T06:53:52Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。