論文の概要: SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States

• arxiv url: http://arxiv.org/abs/2306.04817v2
• Date: Fri, 29 Sep 2023 16:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 18:17:14.892429
• Title: SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States
• Title（参考訳）: SiBBlInGS:国別グラフを用いた類似性駆動型ビルディングブロック推論
• Authors: Noga Mudrik, Gal Mishne, Adam S. Charles
• Abstract要約: 国間グラフを用いた類似性駆動型ビルディングブロック推論フレームワーク(SiBBlInGS)を提案する。 SiBBlInGSは、BB発見に頑健なグラフベースの辞書学習アプローチを採用している。 BB構造と心房内時間変動の相互制御が可能である。
• 参考スコア（独自算出の注目度）: 11.045224021124366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data in many scientific domains are often collected under multiple distinct states (e.g., different clinical interventions), wherein latent processes (e.g., internal biological factors) can create complex variability between individual trials both within single states and between states. A promising approach for addressing this complexity is uncovering fundamental representational units within the data, i.e., functional Building Blocks (BBs), that can adjust their temporal activity and component structure across trials to capture the diverse spectrum of cross-trial variability. However, existing methods for understanding such multi-dimensional data often rely on tensor factorization under assumptions that may not align with the characteristics of real-world data, and struggle to accommodate trials of different durations, missing samples, and varied sampling rates. Here, we present a framework for Similarity-driven Building Block Inference using Graphs across States (SiBBlInGS). SiBBlInGS employs a robust graph-based dictionary learning approach for BB discovery that considers shared temporal activity, inter- and intra-state relationships, non-orthogonal components, and variations in session counts and duration across states, while remaining resilient to noise, random initializations, and missing samples. Additionally, it enables the identification of state-specific vs. state-invariant BBs and allows for cross-state controlled variations in BB structure and per-trial temporal variability. We demonstrate SiBBlInGS on synthetic and several real-world examples to highlight its ability to provide insights into the underlying mechanisms of complex phenomena across fields.
• Abstract（参考訳）: 多くの科学的領域におけるデータは、複数の異なる状態(例えば、異なる臨床介入)の下で収集されることが多く、潜伏過程(例えば、内部生物学的要因)は、単一の状態と状態の間の個々の試験の間で複雑な変動を引き起こす。 この複雑さに対処するための有望なアプローチは、データ内の基本的な表現単位(例えば、機能的ビルディングブロック(bbs))を明らかにすることである。 しかし、そのような多次元データを理解する既存の方法は、実世界のデータの特徴と一致しない仮定の下でテンソル分解に依存することが多く、異なる持続時間、欠落サンプル、様々なサンプリング率の試行に苦しむ。 本稿では,状態間のグラフを用いた類似性に基づくビルディングブロック推論のフレームワークを提案する。 SiBBlInGSは、BB発見のための頑健なグラフベースの辞書学習アプローチを採用し、時間的活動の共有、状態内関係、非直交成分、セッション数と状態間の持続時間の変化を考察し、ノイズ、ランダム初期化、欠落サンプルへの耐性を維持している。 さらに、状態特異的なBBと状態不変なBBの識別を可能にし、BB構造と心房内時間変動のクロスステート制御のバリエーションを可能にする。 我々は、SiBBlInGSを実世界のいくつかの実例で実証し、フィールド全体にわたる複雑な現象のメカニズムに関する洞察を提供する能力を強調した。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations [22.567497617912046]
  このような関係を利用してグラフに基づく新しい手法を導入し、GgNetというグラフ深層学習アーキテクチャを設計し、そのフレームワークを実装した。 提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。
  論文  参考訳（メタデータ） (2024-02-19T23:22:30Z)
• FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals in Factorized Orthogonal Latent Space [7.324708513042455]
  本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。 ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2023-10-30T22:55:29Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
  ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。 DiBSは潜在確率グラフ表現の連続空間で動作する。 既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
  論文  参考訳（メタデータ） (2021-05-25T11:23:08Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。