論文の概要: Masked Graph Autoencoders with Contrastive Augmentation for Spatially Resolved Transcriptomics Data
- arxiv url: http://arxiv.org/abs/2408.06377v1
- Date: Fri, 9 Aug 2024 02:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 19:48:49.056842
- Title: Masked Graph Autoencoders with Contrastive Augmentation for Spatially Resolved Transcriptomics Data
- Title（参考訳）: 空間分解トランスクリプトミクスデータに対するコントラスト拡張を用いたマスク付きグラフオートエンコーダ
- Authors: Donghai Fang, Fangfang Zhu, Dongting Xie, Wenwen Min,
- Abstract要約: ドメイン識別のための低次元潜在表現を学習するために,StMGAC (Contrastively Augmented Masked Graph Autoencoder) を提案する。
潜伏空間において、表現のための永続的な信号は自己蒸留によって得られ、自己教師付きマッチングを誘導する。
5つのデータセット上でSTMGACの性能を評価し,既存のベースライン法よりも優れた結果を得た。
- 参考スコア（独自算出の注目度）: 1.3124513975412255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of Spatial Resolved Transcriptomics (SRT) technology, it is now possible to comprehensively measure gene transcription while preserving the spatial context of tissues. Spatial domain identification and gene denoising are key objectives in SRT data analysis. We propose a Contrastively Augmented Masked Graph Autoencoder (STMGAC) to learn low-dimensional latent representations for domain identification. In the latent space, persistent signals for representations are obtained through self-distillation to guide self-supervised matching. At the same time, positive and negative anchor pairs are constructed using triplet learning to augment the discriminative ability. We evaluated the performance of STMGAC on five datasets, achieving results superior to those of existing baseline methods. All code and public datasets used in this paper are available at https://github.com/wenwenmin/STMGAC and https://zenodo.org/records/13253801.
- Abstract（参考訳）: 空間分解トランスクリプトミクス(SRT)技術の急速な進歩により、組織の空間的文脈を保ちながら遺伝子転写を包括的に測定することが可能になった。
SRTデータ解析において、空間領域の同定と遺伝子分解が重要な目的である。
ドメイン識別のための低次元潜在表現を学習するために,StMGAC (Contrastively Augmented Masked Graph Autoencoder) を提案する。
潜伏空間において、表現のための永続的な信号は自己蒸留によって得られ、自己教師付きマッチングを誘導する。
同時に、三重項学習を用いて正と負のアンカーペアを構築し、識別能力を増強する。
5つのデータセット上でSTMGACの性能を評価し,既存のベースライン法よりも優れた結果を得た。
この論文で使用されるすべてのコードと公開データセットは、https://github.com/wenwenmin/STMGACとhttps://zenodo.org/records/13253801で入手できる。
関連論文リスト
- Generalizing Segmentation Foundation Model Under Sim-to-real Domain-shift for Guidewire Segmentation in X-ray Fluoroscopy [1.4353812560047192]
Sim-to-real ドメイン適応アプローチは、コスト効率の良いソリューションを提供するシミュレーションから合成データを利用する。
対象領域のアノテーションを使わずに、SAMを蛍光X線ガイドワイヤセグメント化に適応させる戦略を提案する。
提案手法は、事前訓練されたSAMと、最先端のドメイン適応技術の両方を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2024-10-09T21:59:48Z) - SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。
しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。
スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-24T18:35:57Z) - 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) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - GEC-DePenD: Non-Autoregressive Grammatical Error Correction with
Decoupled Permutation and Decoding [52.14832976759585]
文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。
本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。
GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
論文 参考訳（メタデータ） (2023-11-14T14:24:36Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data
Augmentation [3.8371505627869955]
Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。
実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
論文 参考訳（メタデータ） (2023-02-25T21:42:00Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - Generative Self-training for Cross-domain Unsupervised Tagged-to-Cine
MRI Synthesis [10.636015177721635]
クロスドメイン画像合成のための連続値予測と回帰目標を用いた新たな自己学習フレームワークを提案する。
具体的には,疑似ラベルを不確実性マスクでフィルタリングし,実際のベイズ学習を用いて生成した画像の予測信頼度を定量化する。
論文 参考訳（メタデータ） (2021-06-23T16:19:00Z) - Cycle Self-Training for Domain Adaptation [85.14659717421533]
Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。
CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。
実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
論文 参考訳（メタデータ） (2021-03-05T10:04:25Z) - Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。
ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。
RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文 参考訳（メタデータ） (2020-07-05T21:42:26Z)
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。