Fugu-MT 論文翻訳(概要): Graph Contrastive Learning for Multi-omics Data

論文の概要: Graph Contrastive Learning for Multi-omics Data

arxiv url: http://arxiv.org/abs/2301.02242v1
Date: Tue, 3 Jan 2023 10:03:08 GMT
ステータス: 処理完了
システム内更新日: 2023-01-15 22:59:06.991669
Title: Graph Contrastive Learning for Multi-omics Data
Title（参考訳）: マルチオミクスデータのためのグラフコントラスト学習
Authors: Nishant Rajadhyaksha and Aarushi Chitkara
Abstract要約: 我々はMOGCL(Multi-Omics Graph Contrastive Learner)という学習フレームワークを提案する。比較手法による事前学習と教師付き手法による微調整がマルチオミクスデータ分類の効率的な方法であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Advancements in technologies related to working with omics data require novel computation methods to fully leverage information and help develop a better understanding of human diseases. This paper studies the effects of introducing graph contrastive learning to help leverage graph structure and information to produce better representations for downstream classification tasks for multi-omics datasets. We present a learnining framework named Multi-Omics Graph Contrastive Learner(MOGCL) which outperforms several aproaches for integrating multi-omics data for supervised learning tasks. We show that pre-training graph models with a contrastive methodology along with fine-tuning it in a supervised manner is an efficient strategy for multi-omics data classification.
Abstract（参考訳）: オミクスデータを扱う技術の発展には、情報を完全に活用し、人間の病気をよりよく理解するための新しい計算方法が必要である。本稿では,マルチオミクスデータセットの下流分類タスクにおいて,グラフ構造と情報を活用するためのグラフコントラスト学習の導入の効果について検討する。我々は、教師付き学習タスクのためのマルチオミクスデータを統合するためのいくつかのアプラーチを上回り、MOGCL(Multi-Omics Graph Contrastive Learner)という学習フレームワークを提案する。比較手法による事前学習グラフモデルと教師あり方式の微調整は,マルチオミクスデータ分類のための効率的な戦略であることを示す。

関連論文リスト

Predicting Stroke through Retinal Graphs and Multimodal Self-supervised Learning [0.46835339362676565]
脳卒中の早期発見は介入に不可欠であり、信頼できるモデルを必要とする。臨床情報とともに効率的な網膜像表現法を提案し,心血管の健康状態の包括的把握を試みた。
論文参考訳（メタデータ） (2024-11-08T14:40:56Z)
Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文参考訳（メタデータ） (2023-04-20T11:40:21Z)
Multi-modal Multi-kernel Graph Learning for Autism Prediction and Biomarker Discovery [29.790200009136825]
本稿では,マルチモーダル統合の過程におけるモダリティ間の負の影響を相殺し,グラフから異種情報を抽出する手法を提案する。本手法は,Autism Brain Imaging Data Exchange (ABIDE) データセットを用いて評価し,最先端の手法よりも優れている。また,自閉症に関連する差別的脳領域を本モデルにより同定し,自閉症の病態研究の指針を提供する。
論文参考訳（メタデータ） (2023-03-03T07:09:17Z)
Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文参考訳（メタデータ） (2022-11-08T09:19:32Z)
Multi-modal Graph Learning for Disease Prediction [35.156975779372836]
マルチモーダルな疾患予測のためのエンドツーエンドマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。手動でグラフを定義する代わりに、潜在グラフ構造は適応グラフ学習の効果的な方法によって取得される。 2つの疾患予測タスクに関する広範な実験群は、提案したMMGLがより良好な性能を発揮することを示した。
論文参考訳（メタデータ） (2022-03-11T12:33:20Z)
Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
コントラスト学習はグラフ表現学習において有効な方法である。グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
論文参考訳（メタデータ） (2022-02-14T05:54:48Z)
InfoGCL: Information-Aware Graph Contrastive Learning [26.683911257080304]
コントラスト学習過程において,グラフ情報がどのように変換され,伝達されるかを検討する。本稿では,InfoGCL と呼ばれる情報認識型グラフコントラスト学習フレームワークを提案する。我々は,最近のグラフコントラスト学習手法をフレームワークによって統一できることを初めて示す。
論文参考訳（メタデータ） (2021-10-28T21:10:39Z)
Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文参考訳（メタデータ） (2021-08-15T13:14:28Z)
Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
論文参考訳（メタデータ） (2021-07-01T03:59:22Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
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)

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。