論文の概要: CellCLAT: Preserving Topology and Trimming Redundancy in Self-Supervised Cellular Contrastive Learning

• arxiv url: http://arxiv.org/abs/2505.21587v1
• Date: Tue, 27 May 2025 11:16:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.187943
• Title: CellCLAT: Preserving Topology and Trimming Redundancy in Self-Supervised Cellular Contrastive Learning
• Title（参考訳）: CellCLAT: 自己監督型セルコントラスト学習におけるトポロジ保存とトリミング冗長性
• Authors: Bin Qin, Qirui Ji, Jiangmeng Li, Yupeng Wang, Xuesong Wu, Jianwen Cao, Fanjiang Xu,
• Abstract要約: 本稿では,情報冗長性を緩和しつつ,細胞複合体の制約に順応するように設計されたフレームワークを提案する。 CellCLATは、既存の自己教師付きグラフ学習手法よりも大幅に改善され、この分野における大きな試みとなっている。
• 参考スコア（独自算出の注目度）: 5.189647316609123
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised topological deep learning (TDL) represents a nascent but underexplored area with significant potential for modeling higher-order interactions in simplicial complexes and cellular complexes to derive representations of unlabeled graphs. Compared to simplicial complexes, cellular complexes exhibit greater expressive power. However, the advancement in self-supervised learning for cellular TDL is largely hindered by two core challenges: \textit{extrinsic structural constraints} inherent to cellular complexes, and intrinsic semantic redundancy in cellular representations. The first challenge highlights that traditional graph augmentation techniques may compromise the integrity of higher-order cellular interactions, while the second underscores that topological redundancy in cellular complexes potentially diminish task-relevant information. To address these issues, we introduce Cellular Complex Contrastive Learning with Adaptive Trimming (CellCLAT), a twofold framework designed to adhere to the combinatorial constraints of cellular complexes while mitigating informational redundancy. Specifically, we propose a parameter perturbation-based augmentation method that injects controlled noise into cellular interactions without altering the underlying cellular structures, thereby preserving cellular topology during contrastive learning. Additionally, a cellular trimming scheduler is employed to mask gradient contributions from task-irrelevant cells through a bi-level meta-learning approach, effectively removing redundant topological elements while maintaining critical higher-order semantics. We provide theoretical justification and empirical validation to demonstrate that CellCLAT achieves substantial improvements over existing self-supervised graph learning methods, marking a significant attempt in this domain.
• Abstract（参考訳）: 自己教師付きトポロジカルディープラーニング(TDL)は、未ラベルグラフの表現を導出するために、単純錯体と細胞複合体の高次相互作用をモデル化する重要な可能性を持つ、初期段階だが未探索領域である。 simplicial complexと比較すると、細胞複合体はより表現力が高い。 しかし、細胞性TDLに対する自己教師型学習の進歩は、細胞複合体に固有の \textit{extrinsic structure constraints} と、細胞表現における固有の意味的冗長性という2つの主要な課題によって大きく妨げられている。 第1の課題は、従来のグラフ拡張技術が高次の細胞相互作用の整合性を損なう可能性があることを強調し、第2の課題は、細胞複合体のトポロジ的冗長性はタスク関連情報を減少させる可能性があることを強調している。 これらの問題に対処するために,情報冗長性を緩和しつつ,細胞複合体の組合せ制約に固執する2つのフレームワークであるCellCLAT(CellCLAT)を導入する。 具体的には,制御ノイズを細胞間相互作用に注入するパラメータ摂動に基づく拡張法を提案する。 さらに、セルトリミングスケジューラを用いて、二段階メタラーニングアプローチによりタスク非関連細胞からの勾配寄与を隠蔽し、重要な高次セマンティクスを維持しつつ、冗長なトポロジ要素を効果的に除去する。 我々は,CellCLATが既存の自己教師付きグラフ学習法よりも大幅に改善されていることを示すため,理論的正当性および実証的検証を行い,この領域における重要な試みを示す。

関連論文リスト

• scSiameseClu: A Siamese Clustering Framework for Interpreting single-cell RNA Sequencing Data [27.903476609960062]
  単細胞RNAシークエンシング(scRNA-seq)は細胞不均一性を示す。 細胞クラスタリングは、細胞タイプとマーカー遺伝子の同定において重要な役割を担っている。 最近の進歩、特にグラフニューラルネットワーク(GNN)ベースの手法はクラスタリング性能を大幅に改善した。 単一セルRNA-seqデータを解析するための新しいSiamese Clusteringフレームワークである scSiameseClu を提案する。
  論文  参考訳（メタデータ） (2025-05-19T02:17:09Z)
• A scalable gene network model of regulatory dynamics in single cells [88.48246132084441]
  本稿では,遺伝子ネットワーク構造を結合微分方程式に組み込んで,遺伝子制御関数をモデル化する機能的学習可能モデルFLeCSを提案する。 FLeCS は (pseudo) 時系列の単一セルデータから, セルの動態を正確に推定する。
  論文  参考訳（メタデータ） (2025-03-25T19:19:21Z)
• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに1段階の配列の細胞を共同で追跡する。 CAPは有望な細胞追跡性能を示し、既存の方法の10倍から55倍効率が高い。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• Attending to Topological Spaces: The Cellular Transformer [37.84207797241944]
  トポロジカルディープラーニングは、入力データにトポロジ的構造を活用することにより、ニューラルネットワークモデルの予測性能を高めることを目指している。 本稿では,グラフベースのトランスをセルコンプレックスに一般化する新しいアーキテクチャであるCellular Transformer(CT)を紹介する。 CTは最先端のパフォーマンスを実現するが、より複雑な拡張を必要としない。
  論文  参考訳（メタデータ） (2024-05-23T01:48:32Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• From Latent Graph to Latent Topology Inference: Differentiable Cell Complex Module [21.383018558790674]
  Differentiable Cell Complex Module (DCM) は、下流タスクを改善するために複合体内の細胞確率を計算する新しい学習可能な関数である。 DCMをセル複雑なメッセージパッシングネットワーク層と統合し、エンドツーエンドでトレーニングする方法を示す。 本モデルは, ホモ親和性およびヘテロ親和性のあるグラフデータセットを用いて実験を行い, その他の最先端技術よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-25T15:33:19Z)

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。