論文の概要: Why Attention Graphs Are All We Need: Pioneering Hierarchical Classification of Hematologic Cell Populations with LeukoGraph

• arxiv url: http://arxiv.org/abs/2402.18610v1
• Date: Wed, 28 Feb 2024 15:10:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 17:16:45.448127
• Title: Why Attention Graphs Are All We Need: Pioneering Hierarchical Classification of Hematologic Cell Populations with LeukoGraph
• Title（参考訳）: なぜ注意グラフが必要なのか:LeukoGraphを用いた血液細胞集団の階層的分類
• Authors: Fatemeh Nassajian Mojarrad, Lorenzo Bini, Thomas Matthes, St\'ephane Marchand-Maillet
• Abstract要約: LeukoGraphは先駆的な取り組みであり、グラフ上の階層的推論のためのグラフニューラルネットワーク(GNN)の適用をマークしている。 LeukoGraphは、例えば4つの異なる細胞集団が平坦な分類を行うような分類パラダイムを複雑に扱う。 LeukoGraphの顕著な業績は、98%のFスコアであり、最先端の手法を大きく上回っている。
• 参考スコア（独自算出の注目度）: 0.9499648210774584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the complex landscape of hematologic samples such as peripheral blood or bone marrow, cell classification, delineating diverse populations into a hierarchical structure, presents profound challenges. This study presents LeukoGraph, a recently developed framework designed explicitly for this purpose employing graph attention networks (GATs) to navigate hierarchical classification (HC) complexities. Notably, LeukoGraph stands as a pioneering effort, marking the application of graph neural networks (GNNs) for hierarchical inference on graphs, accommodating up to one million nodes and millions of edges, all derived from flow cytometry data. LeukoGraph intricately addresses a classification paradigm where for example four different cell populations undergo flat categorization, while a fifth diverges into two distinct child branches, exemplifying the nuanced hierarchical structure inherent in complex datasets. The technique is more general than this example. A hallmark achievement of LeukoGraph is its F-score of 98%, significantly outclassing prevailing state-of-the-art methodologies. Crucially, LeukoGraph's prowess extends beyond theoretical innovation, showcasing remarkable precision in predicting both flat and hierarchical cell types across flow cytometry datasets from 30 distinct patients. This precision is further underscored by LeukoGraph's ability to maintain a correct label ratio, despite the inherent challenges posed by hierarchical classifications.
• Abstract（参考訳）: 末梢血や骨髄などの血液学的サンプルの複雑な風景では、多様な集団を階層構造に分類する細胞分類が深刻な課題となっている。 本研究では,グラフ注意ネットワーク(GAT)を用いて階層的分類(HC)の複雑度をナビゲートする手法として,最近開発されたLeukoGraphを提案する。 特に、LeukoGraphは先駆的な取り組みであり、グラフ上の階層的推論にグラフニューラルネットワーク(GNN)を適用し、フローサイトメトリーデータから最大100万のノードと数百万のエッジを割り当てている。 LeukoGraphは、例えば4つの異なる細胞集団が平坦な分類を行うように分類パラダイムを複雑に扱い、5番目は2つの異なる子枝に分岐し、複雑なデータセットに固有のニュアンスな階層構造を例示する。 この技術はこの例よりも一般的です。 LeukoGraphの顕著な業績は、98%のFスコアであり、最先端の手法を大きく上回っている。 ロイコグラフの能力は理論上の革新を超えて広がり、30人の異なる患者のフローサイトメトリーデータセットをまたいでフラットセル型と階層セル型の両方を予測する際、驚くべき精度を示している。 この精度は、階層的な分類によって生じる固有の課題にもかかわらず、LeukoGraphが正しいラベル比を維持する能力によってさらに裏付けられている。

関連論文リスト

• GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
  クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。 オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。 GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
  論文  参考訳（メタデータ） (2024-08-31T03:26:32Z)
• HemaGraph: Breaking Barriers in Hematologic Single Cell Classification with Graph Attention [0.9499648210774584]
  HemaGraphはフローデータから血液細胞の単細胞多クラス分類のための新しいフレームワークである。 HemaGraphは、30人の患者のデータに基づいて、5つの異なる細胞クラスにまたがる分類性能を示す。 本手法は, より大規模なコホート患者および他の血液疾患からの単細胞データに応用することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T15:15:38Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Supervised Contrastive Learning with Structure Inference for Graph Classification [5.276232626689567]
  グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。 ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。 実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-15T07:18:46Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
  本稿では,グラフに対するサブグラフアテンションの概念を紹介する。 本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。 SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-07-19T10:03:06Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures [14.932318540666545]
  グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。 グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T17:11:14Z)

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。