論文の概要: Compressed representation of brain genetic transcription
- arxiv url: http://arxiv.org/abs/2310.16113v1
- Date: Tue, 24 Oct 2023 18:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:39:46.742247
- Title: Compressed representation of brain genetic transcription
- Title（参考訳）: 脳遺伝子転写の圧縮発現
- Authors: James K Ruffle, Henry Watkins, Robert J Gray, Harpreet Hyare, Michel
Thiebaut de Schotten, Parashkev Nachev
- Abstract要約: ディープオートエンコーダは、パフォーマンスとターゲットドメインのすべての指標において優れた表現が得られることを示す。
ディープオートエンコーダは、パフォーマンスとターゲットドメインのすべての指標において優れた表現が得られることを示す。
- 参考スコア（独自算出の注目度）: 0.18641315013048293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The architecture of the brain is too complex to be intuitively surveyable
without the use of compressed representations that project its variation into a
compact, navigable space. The task is especially challenging with
high-dimensional data, such as gene expression, where the joint complexity of
anatomical and transcriptional patterns demands maximum compression.
Established practice is to use standard principal component analysis (PCA),
whose computational felicity is offset by limited expressivity, especially at
great compression ratios. Employing whole-brain, voxel-wise Allen Brain Atlas
transcription data, here we systematically compare compressed representations
based on the most widely supported linear and non-linear methods-PCA, kernel
PCA, non-negative matrix factorization (NMF), t-stochastic neighbour embedding
(t-SNE), uniform manifold approximation and projection (UMAP), and deep
auto-encoding-quantifying reconstruction fidelity, anatomical coherence, and
predictive utility with respect to signalling, microstructural, and metabolic
targets. We show that deep auto-encoders yield superior representations across
all metrics of performance and target domains, supporting their use as the
reference standard for representing transcription patterns in the human brain.
- Abstract（参考訳）: 脳のアーキテクチャは複雑すぎるので、コンパクトでナビゲート可能な空間に変化を投影する圧縮表現を使わずに直感的に調査できる。
この課題は、解剖学的および転写学的パターンの結合複雑性が最大圧縮を要求する遺伝子表現のような高次元データにおいて特に困難である。
確立された実践は標準主成分分析(pca)であり、その計算フェリシティは限定的な表現率、特に大きな圧縮比によって相殺される。
Employing whole-brain, voxel-wise Allen Brain Atlas transcription data, here we systematically compare compressed representations based on the most widely supported linear and non-linear methods-PCA, kernel PCA, non-negative matrix factorization (NMF), t-stochastic neighbour embedding (t-SNE), uniform manifold approximation and projection (UMAP), and deep auto-encoding-quantifying reconstruction fidelity, anatomical coherence, and predictive utility with respect to signalling, microstructural, and metabolic targets.
ディープオートエンコーダは、パフォーマンスとターゲットドメインのすべての指標において優れた表現力を示し、人間の脳における転写パターンを表現する基準標準としての使用をサポートする。
関連論文リスト
- UniBrain: A Unified Model for Cross-Subject Brain Decoding [22.49964298783508]
被験者固有のパラメータを必要としない統一脳復号モデルUniBrainを提案する。
提案手法は, 可変fMRI信号長を扱うグループベース抽出器, クロスオブジェクトの共通点を捕捉する相互支援組込み器, 被写体不変特徴を抽出するバイレベル特徴アライメント方式を含む。
我々は、UniBrainを脳復号ベンチマークで検証し、パラメータが極端に少ない現在の最先端の主題特化モデルに匹敵する性能を実現した。
論文 参考訳（メタデータ） (2024-12-27T07:03:47Z) - Ares: Approximate Representations via Efficient Sparsification -- A Stateless Approach through Polynomial Homomorphism [1.3824176915623292]
我々は,制約表現を利用して,コンパクトで解釈可能なスケーラブルなデータ圧縮を実現するステートレス圧縮フレームワークを導入する。
提案手法は, 簡易性とスケーラビリティを保ちながら, 再構成精度を損なうことなく高い圧縮比を実現する。
論文 参考訳（メタデータ） (2024-12-14T00:05:43Z) - UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。
まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。
次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文 参考訳（メタデータ） (2024-02-12T19:39:26Z) - On Characterizing the Evolution of Embedding Space of Neural Networks
using Algebraic Topology [9.537910170141467]
特徴埋め込み空間のトポロジがベッチ数を介してよく訓練されたディープニューラルネットワーク(DNN)の層を通過するとき、どのように変化するかを検討する。
深度が増加するにつれて、トポロジカルに複雑なデータセットが単純なデータセットに変換され、ベッチ数はその最小値に達することが示される。
論文 参考訳（メタデータ） (2023-11-08T10:45:12Z) - 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) - Determinantal Point Process Attention Over Grid Cell Code Supports Out
of Distribution Generalization [5.422292504420425]
我々は,脳内の処理特性を同定し,高い一般化性能に寄与する可能性がある。
本稿では,標準タスク最適化エラーと DPP-A を併用した損失関数が,グリッドセルコードの繰り返しモチーフを活用可能であることを示す。
これは、哺乳類の脳の格子細胞コードがどのように一般化性能に寄与するかの解釈の両方を提供する。
論文 参考訳（メタデータ） (2023-05-28T19:07:55Z) - Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳（メタデータ） (2023-01-23T15:22:42Z) - Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。
NSRは神経知覚、構文解析、意味推論を統合している。
我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
論文 参考訳（メタデータ） (2022-10-04T13:27:38Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳（メタデータ） (2021-02-11T12:00:24Z)
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。