論文の概要: Hierarchical novel class discovery for single-cell transcriptomic profiles

• arxiv url: http://arxiv.org/abs/2409.05937v1
• Date: Mon, 9 Sep 2024 16:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 21:59:49.845941
• Title: Hierarchical novel class discovery for single-cell transcriptomic profiles
• Title（参考訳）: 単細胞転写プロファイルのための階層的新しいクラス発見
• Authors: Malek Senoussi, Thierry Artières, Paul Villoutreix,
• Abstract要約: 我々は発達生物学の文脈で得られたデータセットに焦点をあて、分化過程が階層構造へと導く。 ラベル付きデータとラベルなしデータの両方がトレーニング時に利用できるが、ラベル付きデータのラベルと、ラベルなしデータのラベルのセットは相容れない。 本研究の目的は、データのクラスタ化とラベル付きクラスタのマッピングという2つの目的を達成することである。我々は、問題を解くためのk-MeansとGMMクラスタリング手法の拡張を提案し、人工的および実験的な転写データセットの比較結果を報告する。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the major challenges arising from single-cell transcriptomics experiments is the question of how to annotate the associated single-cell transcriptomic profiles. Because of the large size and the high dimensionality of the data, automated methods for annotation are needed. We focus here on datasets obtained in the context of developmental biology, where the differentiation process leads to a hierarchical structure. We consider a frequent setting where both labeled and unlabeled data are available at training time, but the sets of the labels of labeled data on one side and of the unlabeled data on the other side, are disjoint. It is an instance of the Novel Class Discovery problem. The goal is to achieve two objectives, clustering the data and mapping the clusters with labels. We propose extensions of k-Means and GMM clustering methods for solving the problem and report comparative results on artificial and experimental transcriptomic datasets. Our approaches take advantage of the hierarchical nature of the data.
• Abstract（参考訳）: 単細胞転写学実験から生じる大きな課題の1つは、関連する単細胞転写学プロファイルにアノテートする方法である。 大規模なデータと高次元性のため、アノテーションの自動手法が必要である。 ここでは、分化過程が階層構造につながる発達生物学の文脈で得られたデータセットに焦点を当てる。 ラベル付きデータとラベルなしデータの両方がトレーニング時に利用できるが、ラベル付きデータのラベルと、ラベルなしデータのラベルのセットは相容れない。 これは新しいクラスディスカバリー問題の一例である。 目標は、データをクラスタ化し、クラスタをラベルでマッピングする、という2つの目標を達成することだ。 そこで我々は,k-MeansとGMMクラスタリング手法を拡張し,人工的および実験的な転写データセットの比較結果を報告する。 我々のアプローチはデータの階層的な性質を生かしている。

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)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Automatic universal taxonomies for multi-domain semantic segmentation [1.4364491422470593]
  複数のデータセットに対するセマンティックセグメンテーションモデルのトレーニングは、コンピュータビジョンコミュニティに最近多くの関心を呼んだ。 確立されたデータセットには 互いに互換性のないラベルがあります 野生の原理的推論を妨害します 我々は、反復的データセット統合による普遍的な構築によってこの問題に対処する。
  論文  参考訳（メタデータ） (2022-07-18T08:53:17Z)
• Contrastive Cycle Adversarial Autoencoders for Single-cell Multi-omics Alignment and Integration [0.0]
  本稿では,単一セルRNA-seqデータと単一セルATAC-seqデータとの整合と統合のための新しいフレームワークを提案する。 他の最先端手法と比較して,本手法はシミュレーションデータと実シングルセルデータの両方において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-12-05T13:00:58Z)
• Coarse2Fine: Fine-grained Text Classification on Coarsely-grained Annotated Data [22.81068960545234]
  本稿では,粗い注釈付きデータに対して,きめ細かい分類を行うことを目的とした,粗い粒度分類と呼ばれる新しい問題を提案する。 新しいきめ細かい人間のアノテーションを求める代わりに、ラベル表面の名前のみを人間の手引きとして活用することにしました。 我々のフレームワークは、微調整された生成モデルを用いて、擬似学習データをサンプリングし、分類器を訓練し、実際のラベルなしデータをブートストラップしてモデル修正を行う。
  論文  参考訳（メタデータ） (2021-09-22T17:29:01Z)
• MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
  MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。 親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。 大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-15T05:23:08Z)
• Classify and Generate Reciprocally: Simultaneous Positive-Unlabelled Learning and Conditional Generation with Extra Data [77.31213472792088]
  クラスラベルデータの不足は、多くの機械学習問題において、ユビキタスなボトルネックとなっている。 本稿では, 正負ラベル付き(PU)分類と, 余分なラベル付きデータによる条件生成を活用することで, この問題に対処する。 本稿では,PU分類と条件生成を併用した新たなトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。