論文の概要: Towards Statistically Significant Taxonomy Aware Co-location Pattern Detection

• arxiv url: http://arxiv.org/abs/2407.00317v2
• Date: Thu, 04 Jul 2024 05:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 21:11:22.169759
• Title: Towards Statistically Significant Taxonomy Aware Co-location Pattern Detection
• Title（参考訳）: 統計学的に重要な分類学におけるコロケーションパターンの検出に向けて
• Authors: Subhankar Ghosh, Arun Sharma, Jayant Gupta, Shashi Shekhar,
• Abstract要約: 目的は、統計的に重要な特徴タイプや両親のサブセットを見つけることである。 この問題は、分類学によって生成される候補コロケーションパターンの指数的な数によって、計算的に困難である。 本稿では,コロケーションパターンの統計的意義を取り入れ,評価する2つの手法を提案する。
• 参考スコア（独自算出の注目度）: 4.095979270829907
• License:
• Abstract: Given a collection of Boolean spatial feature types, their instances, a neighborhood relation (e.g., proximity), and a hierarchical taxonomy of the feature types, the goal is to find the subsets of feature types or their parents whose spatial interaction is statistically significant. This problem is for taxonomy-reliant applications such as ecology (e.g., finding new symbiotic relationships across the food chain), spatial pathology (e.g., immunotherapy for cancer), retail, etc. The problem is computationally challenging due to the exponential number of candidate co-location patterns generated by the taxonomy. Most approaches for co-location pattern detection overlook the hierarchical relationships among spatial features, and the statistical significance of the detected patterns is not always considered, leading to potential false discoveries. This paper introduces two methods for incorporating taxonomies and assessing the statistical significance of co-location patterns. The baseline approach iteratively checks the significance of co-locations between leaf nodes or their ancestors in the taxonomy. Using the Benjamini-Hochberg procedure, an advanced approach is proposed to control the false discovery rate. This approach effectively reduces the risk of false discoveries while maintaining the power to detect true co-location patterns. Experimental evaluation and case study results show the effectiveness of the approach.
• Abstract（参考訳）: Booleanの空間的特徴型、その例、近傍関係(例えば近接関係)、特徴型の階層的分類の集合が与えられた場合、その目標は、空間的相互作用が統計的に有意な特徴型またはその親のサブセットを見つけることである。 この問題は、生態学(例えば、食物連鎖にまたがる新しい共生関係を見つける)、空間病理学(例えば、がんに対する免疫療法)、小売など、分類学的に耐性のある応用に向けられている。 この問題は、分類学によって生成される候補コロケーションパターンの指数的な数によって、計算的に困難である。 コロケーションパターン検出のほとんどのアプローチは、空間的特徴間の階層的関係を見落とし、検出されたパターンの統計的意義は必ずしも考慮されないため、潜在的な偽発見につながる。 本稿では,分類学を取り入れ,コロケーションパターンの統計的意義を評価するための2つの手法を提案する。 ベースラインアプローチは、分類学における葉ノードまたはその祖先間の共同配置の重要性を反復的にチェックする。 Benjamini-Hochberg法を用いて、偽発見率を制御するための高度なアプローチが提案されている。 このアプローチは、真のコロケーションパターンを検出する能力を維持しながら、誤った発見のリスクを効果的に低減する。 実験結果とケーススタディの結果から, アプローチの有効性が示された。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Spatially-Delineated Domain-Adapted AI Classification: An Application for Oncology Data [3.0566763412020714]
  本研究の目的は,異なる場所型から抽出した複数種類のポイントマップから,対象場所型の2つのクラスを正確に区別するソース位置型で訓練したマップを開発することである。 この問題は、がん治療のための新しい免疫療法を設計するための臨床仮説を作成するなど、多くの応用において社会的に重要である。 空間的混在マスキングや空間的コントラッシブな予測符号化といった空間的配置をターゲットとした,空間的なAI分類のための新しいマルチタスク・セルフラーニングフレームワークを探索する。
  論文  参考訳（メタデータ） (2025-01-20T19:20:13Z)
• Identifying perturbation targets through causal differential networks [23.568795598997376]
  本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。 まず、観測データと干渉データからノイズの多い因果グラフを推定する。 次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
  論文  参考訳（メタデータ） (2024-10-04T12:48:21Z)
• 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)
• The Paradox of Motion: Evidence for Spurious Correlations in Skeleton-based Gait Recognition Models [4.089889918897877]
  本研究は、視覚に基づく歩行認識が主に動きパターンに依存しているという一般的な仮定に挑戦する。 高さ情報の除去が顕著な性能低下につながることを比較分析により示す。 本研究では,時間的情報を無視して個々のポーズを処理する空間変換器モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-13T09:33:12Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• Boolean Reasoning-Based Biclustering for Shifting Pattern Extraction [0.20305676256390928]
  Biclusteringは、さまざまな種類の関心のあるパターンの品質を測定する機能によって駆動されるため、データ内のパターンを検索するための強力なアプローチです。 シフトパターンはデータの変動が一定であるので、特に興味深い。 この研究は、ブール推論によるシフトパターンの誘導は、すべての包含-最大デルタシフトパターンを見つける能力によるものであることを示す。
  論文  参考訳（メタデータ） (2021-04-26T11:40:17Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。