論文の概要: R-Mixup: Riemannian Mixup for Biological Networks

• arxiv url: http://arxiv.org/abs/2306.02532v1
• Date: Mon, 5 Jun 2023 01:41:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 17:16:56.252702
• Title: R-Mixup: Riemannian Mixup for Biological Networks
• Title（参考訳）: r-mixup:生物ネットワークのためのリーマン混合
• Authors: Xuan Kan, Zimu Li, Hejie Cui, Yue Yu, Ran Xu, Shaojun Yu, Zilong Zhang, Ying Guo, Carl Yang
• Abstract要約: 生体ネットワークからの隣接行列の対称正定値(SPD)特性に適合するデータ拡張手法であるR-mixUPを提案する。 実世界の5つの生物ネットワークデータセットを用いたR-mixUPの有効性を回帰処理と分類処理の両方で示す。
• 参考スコア（独自算出の注目度）: 15.48899766304136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological networks are commonly used in biomedical and healthcare domains to effectively model the structure of complex biological systems with interactions linking biological entities. However, due to their characteristics of high dimensionality and low sample size, directly applying deep learning models on biological networks usually faces severe overfitting. In this work, we propose R-MIXUP, a Mixup-based data augmentation technique that suits the symmetric positive definite (SPD) property of adjacency matrices from biological networks with optimized training efficiency. The interpolation process in R-MIXUP leverages the log-Euclidean distance metrics from the Riemannian manifold, effectively addressing the swelling effect and arbitrarily incorrect label issues of vanilla Mixup. We demonstrate the effectiveness of R-MIXUP with five real-world biological network datasets on both regression and classification tasks. Besides, we derive a commonly ignored necessary condition for identifying the SPD matrices of biological networks and empirically study its influence on the model performance. The code implementation can be found in Appendix E.
• Abstract（参考訳）: 生体ネットワークは、生物学的実体を関連付ける相互作用を伴う複雑な生体システムの構造を効果的にモデル化するために、生体医学および医療領域で一般的に使用される。 しかし, 生体ネットワーク上での深層学習モデルの適用は, 高次元と低サンプルサイズの特徴から, 過度なオーバーフィットに直面していることが多い。 本研究では,生物ネットワークからの隣接行列の対称正定値(SPD)特性に適応し,学習効率を最適化したR-MIXUPを提案する。 r-ミックスアップの補間過程はリーマン多様体からの対ユークリッド距離メトリクスを活用し、膨潤効果とバニラミックスアップのラベル問題に効果的に対応している。 実世界の5つの生物ネットワークデータセットを用いたR-MIXUPの有効性を示す。 さらに,生物ネットワークのSPD行列を同定し,そのモデル性能への影響を実証的に研究するために必要な条件を概ね無視する。 コードの実装はAppendix Eで見ることができる。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• A Review of Link Prediction Applications in Network Biology [2.7624021966289605]
  リンク予測(LP)手法は、生物学的ネットワーク内での欠落や予知の関連を推測するのに役立つ。 静的, 動的生物学的ネットワークに適用した, 局所的, 集中的, 埋め込み型LPアプローチの属性を系統的に識別する。 今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
  論文  参考訳（メタデータ） (2023-12-03T04:23:51Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• SBMLtoODEjax: Efficient Simulation and Optimization of Biological Network Models in JAX [19.55237447763145]
  本稿では,SBMLモデルとMLサポートパイプラインをシームレスに統合する軽量ライブラリであるSBMLtoODEjaxを紹介する。 JAXの能力を利用して効率的な並列シミュレーションと最適化を行い、生物学的ネットワーク分析の研究を加速することを目的としています。
  論文  参考訳（メタデータ） (2023-07-17T12:47:33Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
  運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。 信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。 ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
  論文  参考訳（メタデータ） (2021-05-17T14:57:13Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Mycorrhiza: Genotype Assignment usingPhylogenetic Networks [2.286041284499166]
  遺伝子型代入問題に対する機械学習手法であるMycorrhizaを紹介する。 提案アルゴリズムは系統ネットワークを用いて,標本間の進化的関係を符号化する特徴を設計する。 Mycorrhizaは、大きな平均固定指数(FST)を持つデータセットやハーディ・ワインバーグ平衡からの偏差で特に顕著な利得を得る。
  論文  参考訳（メタデータ） (2020-10-14T02:36:27Z)
• TaBooN -- Boolean Network Synthesis Based on Tabu Search [0.0]
  Omics-Technologyは、複数の次元とスケールで分子データを生成することによって生物学の研究に革命をもたらした。 生物学的ネットワークは、遺伝子やタンパク質などのコンポーネントを参照するノードと、それらの相互作用を形式化するエッジ/弧から構成される。
  論文  参考訳（メタデータ） (2020-09-08T08:56:14Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。