論文の概要: Cross-Validation for Training and Testing Co-occurrence Network Inference Algorithms

• arxiv url: http://arxiv.org/abs/2309.15225v1
• Date: Tue, 26 Sep 2023 19:43:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 18:01:50.207249
• Title: Cross-Validation for Training and Testing Co-occurrence Network Inference Algorithms
• Title（参考訳）: 共起ネットワーク推論アルゴリズムの訓練と試験のためのクロスバリデーション
• Authors: Daniel Agyapong, Jeffrey Ryan Propster, Jane Marks, Toby Dylan Hocking
• Abstract要約: 共起ネットワーク推論アルゴリズムは、微生物、特にバクテリアの複雑な関連を理解するのに役立ちます。 推定されたネットワークの品質を評価するための従来の方法は、外部データの使用、サブサンプル間のネットワーク一貫性などである。 本稿では、共起ネットワーク推論アルゴリズムを評価するための新しいクロスバリデーション手法と、テストデータに基づく予測に既存のアルゴリズムを適用する新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 1.8638865257327277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microorganisms are found in almost every environment, including the soil, water, air, and inside other organisms, like animals and plants. While some microorganisms cause diseases, most of them help in biological processes such as decomposition, fermentation and nutrient cycling. A lot of research has gone into studying microbial communities in various environments and how their interactions and relationships can provide insights into various diseases. Co-occurrence network inference algorithms help us understand the complex associations of micro-organisms, especially bacteria. Existing network inference algorithms employ techniques such as correlation, regularized linear regression, and conditional dependence, which have different hyper-parameters that determine the sparsity of the network. Previous methods for evaluating the quality of the inferred network include using external data, and network consistency across sub-samples, both which have several drawbacks that limit their applicability in real microbiome composition data sets. We propose a novel cross-validation method to evaluate co-occurrence network inference algorithms, and new methods for applying existing algorithms to predict on test data. Our empirical study shows that the proposed method is useful for hyper-parameter selection (training) and comparing the quality of the inferred networks between different algorithms (testing).
• Abstract（参考訳）: 微生物は、土壌、水、空気、動物や植物などの他の生物を含むほとんど全ての環境に存在する。 一部の微生物は病気を引き起こすが、ほとんどの微生物は分解、発酵、栄養循環といった生物学的プロセスに役立っている。 様々な環境における微生物群集の研究や、それらの相互作用や関係が様々な病気に対する洞察を与える方法について、多くの研究が進められている。 共起ネットワーク推論アルゴリズムは、微生物、特に細菌の複雑な関連を理解するのに役立つ。 既存のネットワーク推論アルゴリズムは、相関、正規化線形回帰、条件依存といった、ネットワークのスパース性を決定する異なるハイパーパラメータを持つ手法を用いる。 推定されたネットワークの品質を評価する以前の方法は、外部データの使用とサブサンプル間のネットワーク一貫性であり、どちらも実際のマイクロバイオーム合成データセットでの適用性を制限するいくつかの欠点がある。 本稿では,共起ネットワーク推論アルゴリズムを評価するための新しいクロスバリデーション手法と,既存アルゴリズムを適用してテストデータを予測する新しい手法を提案する。 実験により,提案手法は,異なるアルゴリズム(テスト)間でのパラメータ選択(トレーニング)および推論ネットワークの品質の比較に有用であることが確認された。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Two Novel Approaches to Detect Community: A Case Study of Omicron Lineage Variants PPI Network [0.5156484100374058]
  我々は,2つの新しいアルゴリズムと4つの広く認識されているアルゴリズムを用いて,変異型B.1.1.529(Omicron virus)のコミュニティを明らかにすることを目指している。 また,ネットワークをグローバルな特性,統計概要,グラフ数,グラフレット,モジュール性による検証などによって比較する。
  論文  参考訳（メタデータ） (2023-08-09T03:51:20Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• Latent Network Estimation and Variable Selection for Compositional Data via Variational EM [0.0]
  ネットワークの相互作用と関連性を同時に推定する新しい手法を開発した。 マイクロバイオームデータへの応用を通して,本モデルの実用性を示す。
  論文  参考訳（メタデータ） (2020-10-25T21:52:39Z)
• 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)
• Identifying efficient controls of complex interaction networks using genetic algorithms [0.0]
  本稿では,ネットワーク制御性と呼ばれる問題に対する新しい解を提案する。 我々は、計算薬物再資源化のソリューションを調整する。 我々のアルゴリズムは乳がん、卵巣がん、膵癌に有効な薬物を多数同定する方法を示す。
  論文  参考訳（メタデータ） (2020-07-09T14:56:54Z)
• DCMD: Distance-based Classification Using Mixture Distributions on Microbiome Data [10.171660468645603]
  混合分布(DCMD)を用いた距離ベース分類のための革新的な手法を提案する。 このアプローチはサンプルデータの混合分布を推定することによりスパース数に固有の不確実性をモデル化する。 結果は、既存の機械学習や距離ベースのアプローチと比較される。
  論文  参考訳（メタデータ） (2020-03-29T23:30:20Z)

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。