論文の概要: Global Ground Metric Learning with Applications to scRNA data

• arxiv url: http://arxiv.org/abs/2506.15383v1
• Date: Wed, 18 Jun 2025 11:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.650448
• Title: Global Ground Metric Learning with Applications to scRNA data
• Title（参考訳）: グローバル・グラウンド・メトリック・ラーニングとscRNAデータへの応用
• Authors: Damin Kühn, Michael T. Schaub,
• Abstract要約: 共有距離空間上の任意の分布を学習するための新しい手法を提案する。 本手法は,グローバルメトリックのような個々の点間の距離を提供するが,学習には分布レベルのクラスラベルしか必要としない。 複数の疾患にまたがる患者レベルの scRNA-seq データを用いたアプローチの有効性と解釈性を示した。
• 参考スコア（独自算出の注目度）: 5.70896453969985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal transport provides a robust framework for comparing probability distributions. Its effectiveness is significantly influenced by the choice of the underlying ground metric. Traditionally, the ground metric has either been (i) predefined, e.g., as the Euclidean distance, or (ii) learned in a supervised way, by utilizing labeled data to learn a suitable ground metric for enhanced task-specific performance. Yet, predefined metrics typically cannot account for the inherent structure and varying importance of different features in the data, and existing supervised approaches to ground metric learning often do not generalize across multiple classes or are restricted to distributions with shared supports. To address these limitations, we propose a novel approach for learning metrics for arbitrary distributions over a shared metric space. Our method provides a distance between individual points like a global metric, but requires only class labels on a distribution-level for training. The learned global ground metric enables more accurate optimal transport distances, leading to improved performance in embedding, clustering and classification tasks. We demonstrate the effectiveness and interpretability of our approach using patient-level scRNA-seq data spanning multiple diseases.
• Abstract（参考訳）: 最適輸送は確率分布を比較するための堅牢なフレームワークを提供する。 その効果は、基礎となる基底計量の選択によって大きく影響される。 伝統的に、地上のメートル法は、どちらかのものである。 (i)事前定義、eg、ユークリッド距離、又は (2)ラベル付きデータを用いて教師付き方法で学習し,タスク固有のパフォーマンス向上のための適切な地上指標を学習する。 しかし、事前定義されたメトリクスは、典型的にはデータ内の様々な特徴の固有の構造と様々な重要性を説明できない。 これらの制約に対処するために、共有計量空間上の任意の分布のメトリクスを学習するための新しい手法を提案する。 本手法は,グローバルメトリックのような個々の点間の距離を提供するが,学習には分布レベルのクラスラベルしか必要としない。 学習されたグローバルグラウンドメトリックは、より正確な輸送距離を可能にし、埋め込み、クラスタリング、分類タスクのパフォーマンスを向上させる。 複数の疾患にまたがる患者レベルの scRNA-seq データを用いたアプローチの有効性と解釈性を示した。

関連論文リスト

• GLRT-Based Metric Learning for Remote Sensing Object Retrieval [19.210692452537007]
  既存のCBRSOR法は、訓練段階と試験段階の両方において、グローバルな統計情報の利用を無視する。 ナイマン・ピアソンの定理にインスパイアされた我々は、一般化された確率比テストベースメトリックラーニング(GLRTML)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-08T07:53:30Z)
• Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
  マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価 余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。 本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
  論文  参考訳（メタデータ） (2023-05-10T16:27:55Z)
• Metric Learning Improves the Ability of Combinatorial Coverage Metrics to Anticipate Classification Error [0.0]
  多くの機械学習手法は、トレーニングデータとは異なるテストデータや運用データに敏感である。 計量学習は、異なるクラスのデータがさらに離れている潜在空間を学習する技術である。 6つのオープンソースデータセットについて検討した結果, パラメータ学習により, 正確な分類値と誤分類値との差が増大していることが判明した。
  論文  参考訳（メタデータ） (2023-02-28T14:55:57Z)
• Transferable Deep Metric Learning for Clustering [1.2762298148425795]
  高い空間におけるクラスタリングは難しい作業であり、通常の次元距離のメトリクスは次元性の呪いの下ではもはや適切ではないかもしれない。 ラベル付きデータセットでメトリクスを学習し、異なるデータセットにそれを適用できることを示します。 少数のラベル付きトレーニングデータセットと浅いネットワークを使用しながら、最先端技術と競合する結果を得る。
  論文  参考訳（メタデータ） (2023-02-13T17:09:59Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
  半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T06:41:18Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Self-Supervised Metric Learning in Multi-View Data: A Downstream Task Perspective [2.01243755755303]
  マルチビューデータの文脈において,自己教師付きメトリック学習が下流タスクにどのような効果をもたらすかを検討する。 本稿では, 下流タスクにおいて, 目標距離がいくつかの望ましい特性を満たすことを示す。 本分析では,4つの下流タスクにおいて,自己教師付きメトリック学習による改善を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-14T02:34:33Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
  本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。 本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。 特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
  論文  参考訳（メタデータ） (2020-12-03T02:07:43Z)
• Interpretable Locally Adaptive Nearest Neighbors [8.052709336750821]
  そこで我々は,局所的に適応的なメトリクスを学習する手法を開発した。 これらのローカルメトリクスはパフォーマンスを向上するだけでなく、自然に解釈できる。 合成データセットについて多数の実験を行い、実世界のベンチマークデータセットにその有用性を示す。
  論文  参考訳（メタデータ） (2020-11-08T05:27:50Z)

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。