論文の概要: Analyzing Single Cell RNA Sequencing with Topological Nonnegative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2310.15744v1
• Date: Tue, 24 Oct 2023 11:36:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 18:59:13.095555
• Title: Analyzing Single Cell RNA Sequencing with Topological Nonnegative Matrix Factorization
• Title（参考訳）: トポロジカル非負行列因子化による単一細胞RNA配列の解析
• Authors: Yuta Hozumi and Guo-Wei Wei
• Abstract要約: 非負行列分解(NMF)は、結果として生じる低次元成分のメタジーン解釈によるユニークなアプローチを提供する。 この研究は、2つの永続ラプラシア正規化NMF法、すなわちトポロジカルNMF(TNMF)とロバストトトポロジカルNMF(rTNMF)を導入している。 合計12のデータセットを用いて、提案したTNMFとrTNMFが、他のNMFベースの手法よりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.43512163406551996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell RNA sequencing (scRNA-seq) is a relatively new technology that has stimulated enormous interest in statistics, data science, and computational biology due to the high dimensionality, complexity, and large scale associated with scRNA-seq data. Nonnegative matrix factorization (NMF) offers a unique approach due to its meta-gene interpretation of resulting low-dimensional components. However, NMF approaches suffer from the lack of multiscale analysis. This work introduces two persistent Laplacian regularized NMF methods, namely, topological NMF (TNMF) and robust topological NMF (rTNMF). By employing a total of 12 datasets, we demonstrate that the proposed TNMF and rTNMF significantly outperform all other NMF-based methods. We have also utilized TNMF and rTNMF for the visualization of popular Uniform Manifold Approximation and Projection (UMAP) and t-distributed stochastic neighbor embedding (t-SNE).
• Abstract（参考訳）: 単細胞rnaシークエンシング(scrna-seq)は比較的新しい技術であり、scrna-seqデータに関連する高次元、複雑さ、大規模であることから統計学、データサイエンス、計算生物学に多大な関心を寄せている。 非負行列分解(NMF)は、結果として生じる低次元成分のメタジーン解釈によるユニークなアプローチを提供する。 しかし、NMFアプローチはマルチスケール分析の欠如に悩まされている。 この研究は、2つの永続ラプラシア正規化NMF法、すなわちトポロジカルNMF(TNMF)とロバストトトポロジカルNMF(rTNMF)を導入している。 合計12のデータセットを用いて、提案したTNMFとrTNMFが他のNMFベースの手法よりも大幅に優れていることを示す。 また,TNMF と rTNMF を用いて,一般的な一様多様体近似・投影 (UMAP) と t-分散確率的隣接埋め込み (t-SNE) の可視化を行った。

関連論文リスト

• Stratified-NMF for Heterogeneous Data [8.174199227297514]
  本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。 本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
  論文  参考訳（メタデータ） (2023-11-17T00:34:41Z)
• K-Nearest-Neighbors Induced Topological PCA for scRNA Sequence Data Analysis [0.3683202928838613]
  永続ラプラシアン(PL)法とL$_2,1$ノルム正規化を組み合わせたトポロジカルプライマリコンポーネント分析(tPCA)法を提案する。 さらに, k-Nearest-Neighbor (kNN) の永続ラプラス的手法を導入し, 永続ラプラス的手法の堅牢性を向上させる。 提案したtPCA法とkNN-tPCA法の有効性を,11種類のscRNA-seqデータセット上で検証した。
  論文  参考訳（メタデータ） (2023-10-23T03:07:50Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Neural Nonnegative Matrix Factorization for Hierarchical Multilayer Topic Modeling [7.976416480654409]
  本稿では,非負行列分解に基づくニューラルNMF法を提案する。 我々は、合成階層データセット、20のニュースグループデータセット、MyLymeData症状データセットでNeural NMFをテストする。 数値計算の結果,ニューラルNMFは他の階層的NMF法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-28T20:00:16Z)
• Contaminated Images Recovery by Implementing Non-negative Matrix Factorisation [0.0]
  我々は,従来のNMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に検討し,ORLおよび拡張YaleBデータセットのロバスト性を示す実験セットを実行する。 これらの手法の計算コストのため、HCNMFやL2,1-NMFモデルのような最終モデルは、この研究のパラメータに収束しない。
  論文  参考訳（メタデータ） (2022-11-08T13:50:27Z)
• SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
  我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。 各ブロックの推測は最適化の単一イテレーションに対応することを示す。 実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-26T08:17:39Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
  非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。 我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。 CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
  論文  参考訳（メタデータ） (2021-09-02T07:05:04Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)

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。