論文の概要: Optimal Transport for Latent Integration with An Application to Heterogeneous Neuronal Activity Data
- arxiv url: http://arxiv.org/abs/2407.00099v1
- Date: Thu, 27 Jun 2024 04:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 06:30:11.888119
- Title: Optimal Transport for Latent Integration with An Application to Heterogeneous Neuronal Activity Data
- Title（参考訳）: 潜時統合のための最適輸送法と異種脳活動データへの応用
- Authors: Yubai Yuan, Babak Shahbaba, Norbert Fortin, Keiland Cooper, Qing Nie, Annie Qu,
- Abstract要約: 本稿では,複雑な生物学的プロセスにおいて共有パターンを抽出する最適なトランスポートに基づく,新しい異種データ統合フレームワークを提案する。
本手法は,少数の被験者でも有効であり,アライメントに補助的なマッチング情報を必要としない。
- 参考スコア（独自算出の注目度）: 1.5311478638611091
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting dynamic patterns of task-specific responses shared across heterogeneous datasets is an essential and challenging problem in many scientific applications in medical science and neuroscience. In our motivating example of rodent electrophysiological data, identifying the dynamical patterns in neuronal activity associated with ongoing cognitive demands and behavior is key to uncovering the neural mechanisms of memory. One of the greatest challenges in investigating a cross-subject biological process is that the systematic heterogeneity across individuals could significantly undermine the power of existing machine learning methods to identify the underlying biological dynamics. In addition, many technically challenging neurobiological experiments are conducted on only a handful of subjects where rich longitudinal data are available for each subject. The low sample sizes of such experiments could further reduce the power to detect common dynamic patterns among subjects. In this paper, we propose a novel heterogeneous data integration framework based on optimal transport to extract shared patterns in complex biological processes. The key advantages of the proposed method are that it can increase discriminating power in identifying common patterns by reducing heterogeneity unrelated to the signal by aligning the extracted latent spatiotemporal information across subjects. Our approach is effective even with a small number of subjects, and does not require auxiliary matching information for the alignment. In particular, our method can align longitudinal data across heterogeneous subjects in a common latent space to capture the dynamics of shared patterns while utilizing temporal dependency within subjects.
- Abstract（参考訳）: 異種データセット間で共有されるタスク固有応答の動的パターンを検出することは、医学や神経科学における多くの科学的応用において不可欠で困難な問題である。
電磁気生理学的データのモチベーション例では、記憶の神経機構を明らかにする上で、継続的な認知的要求や行動に関連する神経活動の動的パターンを特定することが重要である。
クロスオブジェクトの生物学的プロセスを研究する上での最大の課題の1つは、個人間の体系的な異質性は、基礎となる生物学的ダイナミクスを特定するために既存の機械学習手法の力を著しく損なう可能性があることである。
さらに、技術的に挑戦する多くの神経生物学実験は、各被験者に豊富な経時的データが利用できる少数の被験者でのみ実施される。
このような実験のサンプルサイズが小さいほど、被験者間の共通の動的パターンを検出する能力はさらに低下する可能性がある。
本稿では,複雑な生物学的プロセスにおいて共有パターンを抽出する最適輸送に基づく,新しい異種データ統合フレームワークを提案する。
提案手法の主な利点は、抽出した潜時空間情報を被験者間で整列させることにより、信号と無関係な不均一性を低減し、共通パターンの識別における識別能力を高めることである。
本手法は,少数の被験者でも有効であり,アライメントに補助的なマッチング情報を必要としない。
特に,本手法では,被験者の時間的依存を生かしながら,共有パターンのダイナミクスを捉えるために,共通の潜在空間における異種被験者間の縦方向データの整列が可能である。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Simplicity within biological complexity [0.0]
文献を調査し、マルチスケール分子ネットワークデータの埋め込みのための包括的フレームワークの開発について論じる。
ネットワーク埋め込み手法はノードを低次元空間の点にマッピングすることにより、学習空間の近接性はネットワークのトポロジ-関数関係を反映する。
本稿では,モデルから効率的かつスケーラブルなソフトウェア実装に至るまで,マルチオミックネットワークデータのための汎用的な包括的埋め込みフレームワークを開発することを提案する。
論文 参考訳（メタデータ） (2024-05-15T13:32:45Z) - FISBe: A real-world benchmark dataset for instance segmentation of long-range thin filamentous structures [4.9246627979592725]
神経系の体積光顕微鏡画像におけるニューロンのセグメンテーションは、神経科学における画期的な研究を可能にする。
しかし、マルチニューロン光顕微鏡のデータは、インスタンスセグメンテーションのタスクにとって非常に難しい特性を示している。
私たちはFlyLight Instance Benchmark(FISBe)データセットをリリースしました。
論文 参考訳（メタデータ） (2024-03-29T19:51:34Z) - 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) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Conditionally Invariant Representation Learning for Disentangling
Cellular Heterogeneity [25.488181126364186]
本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。
単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。
具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
論文 参考訳（メタデータ） (2023-07-02T12:52:41Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。