論文の概要: Neural Unbalanced Optimal Transport via Cycle-Consistent Semi-Couplings
- arxiv url: http://arxiv.org/abs/2209.15621v1
- Date: Fri, 30 Sep 2022 17:48:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:54:02.651047
- Title: Neural Unbalanced Optimal Transport via Cycle-Consistent Semi-Couplings
- Title(参考訳): サイクル一貫性半結合によるニューラルアンバランス最適輸送
- Authors: Frederike L\"ubeck, Charlotte Bunne, Gabriele Gut, Jacobo Sarabia del
Castillo, Lucas Pelkmans, David Alvarez-Melis
- Abstract要約: 我々は、半カップリングの形式に依存して質量の生成と破壊を考慮に入れた、神経的不均衡OTの定式化であるNubOTを紹介する。
本手法は, がん細胞株の様々な薬物に対する不均一反応を予測するための課題に応用する。
- 参考スコア(独自算出の注目度): 10.47175870857988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Comparing unpaired samples of a distribution or population taken at different
points in time is a fundamental task in many application domains where
measuring populations is destructive and cannot be done repeatedly on the same
sample, such as in single-cell biology. Optimal transport (OT) can solve this
challenge by learning an optimal coupling of samples across distributions from
unpaired data. However, the usual formulation of OT assumes conservation of
mass, which is violated in unbalanced scenarios in which the population size
changes (e.g., cell proliferation or death) between measurements. In this work,
we introduce NubOT, a neural unbalanced OT formulation that relies on the
formalism of semi-couplings to account for creation and destruction of mass. To
estimate such semi-couplings and generalize out-of-sample, we derive an
efficient parameterization based on neural optimal transport maps and propose a
novel algorithmic scheme through a cycle-consistent training procedure. We
apply our method to the challenging task of forecasting heterogeneous responses
of multiple cancer cell lines to various drugs, where we observe that by
accurately modeling cell proliferation and death, our method yields notable
improvements over previous neural optimal transport methods.
- Abstract(参考訳): 異なる時点から取られた分布や個体数を比較することは、多くの応用領域において基本的な課題であり、個体数を測定することは破壊的であり、単細胞生物学のような同じサンプルでは繰り返し実行できない。
最適な輸送(ot)は、非ペアデータから分布をまたいだサンプルの最適な結合を学習することで、この課題を解決できる。
しかし、OTの通常の定式化は、集団の大きさが測定間で変化する(細胞増殖や死など)不均衡なシナリオに違反する質量の保存を前提としている。
本研究では, 半カップリングの形式に依拠し, 質量の生成と破壊を考慮に入れたニューラルアンバランスOTの定式化であるNubOTを紹介する。
このような半カップリングを推定し,アウト・オブ・サンプルを一般化するために,ニューラル最適輸送マップに基づく効率的なパラメータ化を導出し,サイクル一貫性学習手法による新しいアルゴリズムスキームを提案する。
本手法は,複数の癌細胞株の異種応答を様々な薬物に予測する困難な課題に応用し,細胞増殖と死を正確にモデル化することにより,従来の神経最適輸送法よりも顕著な改善が得られた。
関連論文リスト
- Distributed Nonparametric Estimation: from Sparse to Dense Samples per Terminal [9.766173684831324]
我々は,すべてのレシエーションに対して最小値の最適レートを特徴付けるとともに,各端末毎のサンプルがスパースから密度に変化するため,最適レートの位相遷移を同定する。
これにより、以前の研究で残された問題が完全に解決され、その範囲は密度の高いサンプルを持つレギュレーションまたは終端あたりの1つのサンプルに限られる。
最適率は、密度推定、ガウス、二分法、ポアソン、ヘテロスケダスティック回帰モデルなど、様々な特殊ケースに即時に適用される。
論文 参考訳(メタデータ) (2025-01-14T06:41:55Z) - Stochastic gradient descent estimation of generalized matrix factorization models with application to single-cell RNA sequencing data [41.94295877935867]
単細胞RNAシークエンシングは、個々の細胞レベルでの遺伝子発現の定量化を可能にする。
次元の減少は、サンプルの可視化、クラスタリング、表現型特徴付けを単純化する一般的な前処理ステップである。
一般指数分散族分布を仮定した一般化行列分解モデルを提案する。
本稿では,モデルを効率的に推定できるスケーラブル適応降下アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-12-29T16:02:15Z) - Adaptive Sampling to Reduce Epistemic Uncertainty Using Prediction Interval-Generation Neural Networks [0.0]
本稿では,予測モデルにおけるてんかんの不確実性を低減するための適応サンプリング手法を提案する。
我々の主な貢献は、潜在的なてんかんの不確実性を推定する計量の開発である。
ガウス過程(GP)に基づくバッチサンプリング戦略も提案する。
本研究では, 実験肥料の施肥率を選択するために, 3つの一次元合成問題と, 農業分野に基づく多次元データセットについて検討した。
論文 参考訳(メタデータ) (2024-12-13T21:21:47Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。
このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
論文 参考訳(メタデータ) (2024-05-28T14:12:25Z) - Estimating Unknown Population Sizes Using the Hypergeometric Distribution [1.03590082373586]
総人口と構成カテゴリーの規模が不明な場合, 個別分布の推定に挑戦する。
本研究では,連続潜伏変数上での分布条件の混合となるデータ生成過程について考察する。
実験データシミュレーションにより,本手法は数値データをモデル化する他の可能性関数よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-02-22T01:53:56Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T01:23:54Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳(メタデータ) (2021-03-15T16:16:18Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳(メタデータ) (2020-07-12T15:31:24Z)
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。