論文の概要: Cryo-em images are intrinsically low dimensional

• arxiv url: http://arxiv.org/abs/2504.11249v1
• Date: Tue, 15 Apr 2025 14:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:12:09.919974
• Title: Cryo-em images are intrinsically low dimensional
• Title（参考訳）: クライオエム像は本質的に低次元である
• Authors: Luke Evans, Octavian-Vlad Murad, Lars Dingeldein, Pilar Cossio, Roberto Covino, Marina Meila,
• Abstract要約: ヘマグルチニンのCryo SBI発現の基盤的構造に関する研究(シミュレーションおよび実験) 我々は、潜伏構造と鍵物理パラメータの直接的なリンクを確立する。
• 参考スコア（独自算出の注目度）: 3.216132991084434
• License:
• Abstract: Simulation-based inference provides a powerful framework for cryo-electron microscopy, employing neural networks in methods like CryoSBI to infer biomolecular conformations via learned latent representations. This latent space represents a rich opportunity, encoding valuable information about the physical system and the inference process. Harnessing this potential hinges on understanding the underlying geometric structure of these representations. We investigate this structure by applying manifold learning techniques to CryoSBI representations of hemagglutinin (simulated and experimental). We reveal that these high-dimensional data inherently populate low-dimensional, smooth manifolds, with simulated data effectively covering the experimental counterpart. By characterizing the manifold's geometry using Diffusion Maps and identifying its principal axes of variation via coordinate interpretation methods, we establish a direct link between the latent structure and key physical parameters. Discovering this intrinsic low-dimensionality and interpretable geometric organization not only validates the CryoSBI approach but enables us to learn more from the data structure and provides opportunities for improving future inference strategies by exploiting this revealed manifold geometry.
• Abstract（参考訳）: シミュレーションベースの推論は、CryoSBIのような方法でニューラルネットワークを用いて学習された潜伏表現を通じて生体分子のコンフォメーションを推測する、低温電子顕微鏡のための強力なフレームワークを提供する。 この潜伏空間は、物理システムと推論プロセスに関する貴重な情報をエンコードする豊かな機会を表している。 この潜在的なヒンジは、これらの表現の基本的な幾何学的構造を理解することに集中している。 ヘマグルチニンのCryoSBI表現に多様体学習技術を適用することにより,この構造を解明する(シミュレーションおよび実験)。 これらの高次元データは, 実験対象を効果的にカバーするシミュレーションデータを用いて, 低次元の滑らかな多様体を固有に生成することを示した。 拡散写像を用いて多様体の幾何学を特徴づけ、その主軸を座標解釈法により同定することにより、潜在構造と鍵物理パラメータとの直接リンクを確立する。 この本質的な低次元性と解釈可能な幾何学的組織を明らかにすることは、CryoSBIのアプローチを検証するだけでなく、データ構造からさらなる学習を可能にし、この明らかにされた多様体幾何を利用して将来の推論戦略を改善する機会を提供する。

関連論文リスト

• Exploring the Manifold of Neural Networks Using Diffusion Geometry [7.038126249994092]
  ニューラルネットワークの隠蔽層表現間の距離を導入することにより,データポイントがニューラルネットワークである多様体を学習する。 これらの距離は非線形次元減少アルゴリズムPHATEに供給され、ニューラルネットワークの多様体を生成する。 解析の結果,高い性能のネットワークが一貫した埋め込みパターンを表示できることがわかった。
  論文  参考訳（メタデータ） (2024-11-19T16:34:45Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
  形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。 提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
  論文  参考訳（メタデータ） (2023-02-28T15:31:23Z)
• Experimental Observations of the Topology of Convolutional Neural Network Activations [2.4235626091331737]
  トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。 ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。 本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
  論文  参考訳（メタデータ） (2022-12-01T02:05:44Z)
• Spherical Rotation Dimension Reduction with Geometric Loss Functions [0.0]
  そのようなデータセットの第一の例は細胞周期の測定の集まりであり、そこではプロセスの本質的に循環的な性質を円や球として表すことができる。 幾何学的情報を組み込んだ非線形次元減少法である球状回転成分分析(SRCA)を提案し,より近似的な低次元多様体を提案する。
  論文  参考訳（メタデータ） (2022-04-23T02:03:55Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。