論文の概要: Mixed Models with Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2311.02455v2
- Date: Fri, 8 Mar 2024 11:04:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 23:02:38.571104
- Title: Mixed Models with Multiple Instance Learning
- Title(参考訳): 複数のインスタンス学習を伴う混合モデル
- Authors: Jan P. Engelmann, Alessandro Palma, Jakub M. Tomczak, Fabian J. Theis,
Francesco Paolo Casale
- Abstract要約: 一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
- 参考スコア(独自算出の注目度): 51.440557223100164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting patient features from single-cell data can help identify cellular
states implicated in health and disease. Linear models and average cell type
expressions are typically favored for this task for their efficiency and
robustness, but they overlook the rich cell heterogeneity inherent in
single-cell data. To address this gap, we introduce MixMIL, a framework
integrating Generalized Linear Mixed Models (GLMM) and Multiple Instance
Learning (MIL), upholding the advantages of linear models while modeling cell
state heterogeneity. By leveraging predefined cell embeddings, MixMIL enhances
computational efficiency and aligns with recent advancements in single-cell
representation learning. Our empirical results reveal that MixMIL outperforms
existing MIL models in single-cell datasets, uncovering new associations and
elucidating biological mechanisms across different domains.
- Abstract(参考訳): 単細胞データから患者の特徴を予測することは、健康や疾患にかかわる細胞状態を特定するのに役立つ。
線形モデルと平均的な細胞型表現は、その効率性と頑健性のためにこのタスクに好まれるが、単細胞データに固有の豊富な細胞多様性を見落としている。
このギャップに対処するため、我々は、一般化線形混合モデル(GLMM)と多重インスタンス学習(MIL)を統合したフレームワークであるMixMILを導入し、セル状態の不均一性をモデル化しながら線形モデルの利点を裏付ける。
事前に定義されたセル埋め込みを活用することで、MixMILは計算効率を高め、シングルセル表現学習の最近の進歩と整合する。
実験の結果,MixMILは単一セルデータセットにおいて既存のMILモデルよりも優れており,新たな関連性を明らかにし,異なる領域にわたる生物学的機構を明らかにする。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳(メタデータ) (2023-11-28T08:34:58Z) - Regression-Based Analysis of Multimodal Single-Cell Data Integration
Strategies [0.0]
マルチモーダルシングルセル技術は、個々のセルから多様なデータ型の同時収集を可能にする。
この研究は、Echo State Networksの異常なパフォーマンスを強調し、顕著な相関スコアが0.94である。
これらの発見は、機械学習の可能性を生かして、細胞の分化と機能に関する理解を深めることを約束している。
論文 参考訳(メタデータ) (2023-11-21T16:31:27Z) - MIML: Multiplex Image Machine Learning for High Precision Cell
Classification via Mechanical Traits within Microfluidic Systems [1.1675184588181313]
我々は、新しい機械学習フレームワーク、Multiformx Image Machine Learning (MIML)を開発した。
MIMLは、ラベルのない細胞画像と生体力学的特性データを組み合わせて、各細胞に固有の、しばしば使われにくい形態情報を利用する。
このアプローチにより、細胞分類における98.3%の精度が著しく向上し、単一のデータ型のみを考慮するモデルよりも大幅に改善された。
論文 参考訳(メタデータ) (2023-09-15T14:23:51Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳(メタデータ) (2022-11-07T15:47:40Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳(メタデータ) (2022-09-30T15:01:35Z) - scICML: Information-theoretic Co-clustering-based Multi-view Learning
for the Integrative Analysis of Single-cell Multi-omics data [0.0]
マルチオミクス・シングルセルデータ統合のための情報理論を用いたマルチビュー学習法(scICML)を開発した。
scICMLは共同クラスタリングを使用して、データのビュー毎に同様の機能を集約し、セルの共通クラスタリングパターンを明らかにする。
実世界の4つのデータセットに対する実験により、SCICMLは全体のクラスタリング性能を改善し、末梢血単核球のデータ解析に関する生物学的知見を提供することが示された。
論文 参考訳(メタデータ) (2022-05-19T12:41:55Z) - Learning Anisotropic Interaction Rules from Individual Trajectories in a
Heterogeneous Cellular Population [0.0]
細胞群集の運動をモデル化するための第2次IPSのためのWSINDyを開発する。
本手法は,異種細胞集団の動態を規定する相互作用規則を学習する。
本研究では, 一般的な細胞移動実験を動機とした, いくつかのテストシナリオにおいて, 提案手法の有効性と性能を実証する。
論文 参考訳(メタデータ) (2022-04-29T15:00:21Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z)
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。