論文の概要: Graph Neural Networks for Multimodal Single-Cell Data Integration
- arxiv url: http://arxiv.org/abs/2203.01884v1
- Date: Thu, 3 Mar 2022 17:59:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 18:52:16.602365
- Title: Graph Neural Networks for Multimodal Single-Cell Data Integration
- Title（参考訳）: マルチモーダル単一セルデータ統合のためのグラフニューラルネットワーク
- Authors: Hongzhi Wen, Jiayuan Ding, Wei Jin, Yuying Xie, Jiliang Tang
- Abstract要約: 本稿では,3つのタスクに対処するため,一般的なグラフニューラルネットワークフレームワークであるtextitscMoGNN$を提案する。
textitscMoGNN$は、最先端および従来のアプローチと比較して、3つのタスクで優れた結果を示す。
- 参考スコア（独自算出の注目度）: 32.8390339109358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in multimodal single-cell technologies have enabled
simultaneous acquisitions of multiple omics data from the same cell, providing
deeper insights into cellular states and dynamics. However, it is challenging
to learn the joint representations from the multimodal data, model the
relationship between modalities, and, more importantly, incorporate the vast
amount of single-modality datasets into the downstream analyses. To address
these challenges and correspondingly facilitate multimodal single-cell data
analyses, three key tasks have been introduced: $\textit{modality prediction}$,
$\textit{modality matching}$ and $\textit{joint embedding}$. In this work, we
present a general Graph Neural Network framework $\textit{scMoGNN}$ to tackle
these three tasks and show that $\textit{scMoGNN}$ demonstrates superior
results in all three tasks compared with the state-of-the-art and conventional
approaches. Our method is an official winner in the overall ranking of
$\textit{modality prediction}$ from
$\href{https://openproblems.bio/neurips_2021/}{\textit{NeurIPS 2021
Competition}}$.
- Abstract（参考訳）: 近年のマルチモーダル単一細胞技術の発展により、同じ細胞から複数のオミクスデータを同時に取得することが可能となり、細胞状態やダイナミクスに関する深い洞察が得られている。
しかし、マルチモーダルデータから共同表現を学習し、モダリティ間の関係をモデル化することは困難であり、さらに重要なのは、大量の単一モーダルデータセットを下流分析に組み込むことである。
これらの課題に対処し、マルチモーダルなシングルセルデータ解析を容易にするために、$\textit{modality prediction}$、$\textit{modality matching}$、$\textit{joint embedded}$という3つの重要なタスクが導入されている。
本稿では,これらの3つのタスクに対処する汎用グラフニューラルネットワークフレームワークである $\textit{scMoGNN}$ を示し,この $\textit{scMoGNN}$ が,最先端および従来のアプローチと比較して,3つのタスクすべてにおいて優れた結果を示す。
この方法は、$\href{https://openproblems.bio/neurips_2021/}{\textit{neurips 2021 competition}}$から$\textit{modality prediction}$のランキングで公式の勝者です。
関連論文リスト
- Multimodality Helps Few-Shot 3D Point Cloud Semantic Segmentation [61.91492500828508]
FS-PCS (Few-shot 3D point cloud segmentation) は、最小のサポートサンプルで新しいカテゴリを分割するモデルを一般化することを目的としている。
本稿では,テキストラベルと潜在的に利用可能な2次元画像モダリティを利用して,コストフリーのマルチモーダルFS-PCSセットアップを提案する。
トレーニングバイアスを軽減するため,テスト時間適応型クロスモーダルセグ(TACC)技術を提案する。
論文 参考訳（メタデータ） (2024-10-29T19:28:41Z) - $M^3EL$: A Multi-task Multi-topic Dataset for Multi-modal Entity Linking [11.334577756093923]
我々はデータセット構築パイプラインを提案し、MELのための大規模データセットであるM3EL$を発行する。
M3EL$には79,625のインスタンスが含まれ、9つの多様なマルチモーダルタスクと5つのトピックが含まれている。
我々のデータセットはこれらの問題に効果的に対処し、$textitCLIP_textitND$モデルに$M3EL$を微調整すると精度が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-08T10:52:23Z) - Multimodal Graph Learning for Generative Tasks [89.44810441463652]
マルチモーダル学習は、複数のデータモダリティを組み合わせることで、モデルが利用できるデータの種類と複雑さを広げます。
本稿では,マルチモーダルグラフ学習(MMGL)を提案する。
論文 参考訳（メタデータ） (2023-10-11T13:25:03Z) - MMSum: A Dataset for Multimodal Summarization and Thumbnail Generation
of Videos [106.06278332186106]
マルチモーダル・アウトプット(MSMO)を用いたマルチモーダル・サマリゼーションが有望な研究方向として浮上している。
既存のパブリックMSMOデータセットには多くの制限がある。
textbfMMSumデータセットを精巧にキュレートした。
論文 参考訳（メタデータ） (2023-06-07T07:43:11Z) - Align and Attend: Multimodal Summarization with Dual Contrastive Losses [57.83012574678091]
マルチモーダル要約の目標は、異なるモーダルから最も重要な情報を抽出し、出力要約を形成することである。
既存の手法では、異なるモダリティ間の時間的対応の活用に失敗し、異なるサンプル間の本質的な相関を無視する。
A2Summ(Align and Attend Multimodal Summarization)は、マルチモーダル入力を効果的に整列し、参加できる統一型マルチモーダルトランスフォーマーモデルである。
論文 参考訳（メタデータ） (2023-03-13T17:01:42Z) - Single-Cell Multimodal Prediction via Transformers [36.525050229323845]
異なるモード間の複雑な相互作用をモデル化するために、scMoFormerを提案する。
scMoFormerは24/1221(Top 2%)のランクでカグル銀メダルを獲得したが、NeurIPS 2022の大会ではアンサンブルは無かった。
論文 参考訳（メタデータ） (2023-03-01T05:03:23Z) - Distributed Sparse Feature Selection in Communication-Restricted
Networks [6.9257380648471765]
疎線形回帰と特徴選択のための新しい分散スキームを提案し,理論的に解析する。
データセット全体から因果次元を推定するために,ネットワーク内の情報共有をシンプルかつ効果的に行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T05:02:24Z) - Improving Multimodal fusion via Mutual Dependency Maximisation [5.73995120847626]
マルチモーダル・感情分析は研究のトレンドとなっている分野であり、マルチモーダル・フュージョンは最も活発なトピックの1つである。
本研究では,未探索の罰則を調査し,モダリティ間の依存性を測定するための新たな目的セットを提案する。
我々は、我々の新しい罰則が様々な最先端モデルに対して一貫した改善(正確性で最大4.3ドル)をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-31T06:26:26Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - Analyzing Unaligned Multimodal Sequence via Graph Convolution and Graph
Pooling Fusion [28.077474663199062]
本稿では,マルチモーダルシーケンシャルデータモデリングにおけるグラフニューラルネットワーク(GNN)の有効性を検討するために,マルチモーダルグラフと呼ばれる新しいモデルを提案する。
グラフベースのモデルは、2つのベンチマークデータセット上で最先端のパフォーマンスに達する。
論文 参考訳（メタデータ） (2020-11-27T06:12:14Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳（メタデータ） (2020-08-25T06:00:06Z)
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。