論文の概要: Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis
- arxiv url: http://arxiv.org/abs/2506.23287v1
- Date: Sun, 29 Jun 2025 15:19:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.810167
- Title: Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis
- Title(参考訳): 階層的量子化拡散に基づく階層表現と線形解析のための木生成法
- Authors: Zelin Zang, WenZhe Li, Fei Chen, Yongjie Xu, Chang Yu, Zhen Lei, Stan Z. Li,
- Abstract要約: HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。
HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。
これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
- 参考スコア(独自算出の注目度): 49.00783841494125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In single-cell research, tracing and analyzing high-throughput single-cell differentiation trajectories is crucial for understanding complex biological processes. Key to this is the modeling and generation of hierarchical data that represents the intrinsic structure within datasets. Traditional methods face limitations in terms of computational cost, performance, generative capacity, and stability. Recent VAEs based approaches have made strides in addressing these challenges but still require specialized network modules for each tree branch, limiting their stability and ability to capture deep hierarchical relationships. To overcome these challenges, we introduce diffusion-based approach called HDTree. HDTree captures tree relationships within a hierarchical latent space using a unified hierarchical codebook and quantized diffusion processes to model tree node transitions. This method improves stability by eliminating branch-specific modules and enhancing generative capacity through gradual hierarchical changes simulated by the diffusion process. HDTree's effectiveness is demonstrated through comparisons on both general-purpose and single-cell datasets, where it outperforms existing methods in terms of accuracy and performance. These contributions provide a new tool for hierarchical lineage analysis, enabling more accurate and efficient modeling of cellular differentiation paths and offering insights for downstream biological tasks. The code of HDTree is available at anonymous link https://anonymous.4open.science/r/code_HDTree_review-A8DB.
- Abstract(参考訳): 単一細胞研究において、複雑な生物学的過程を理解するためには、高スループット単一細胞分化軌道の追跡と解析が不可欠である。
これの鍵となるのは、データセット内の本質的な構造を表す階層的なデータのモデリングと生成である。
従来の手法では、計算コスト、性能、生成能力、安定性の面で制限に直面している。
最近のVAEベースのアプローチでは、これらの課題に対処する努力が続けられているが、それでも各木の枝に特別なネットワークモジュールが必要であり、その安定性と深い階層的な関係を捉える能力は制限されている。
これらの課題を克服するために,HDTreeと呼ばれる拡散型アプローチを導入する。
HDTreeは、階層的な潜在空間内のツリー関係を、統一された階層的なコードブックと、ツリーノード遷移をモデル化するための量子化拡散プロセスを用いてキャプチャする。
本手法は, 分岐特異モジュールを除去し, 拡散過程を模擬した漸進的階層的変化により生成能力を向上させることにより, 安定性を向上させる。
HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって実証される。
これらの貢献により、階層的な系統解析のための新しいツールが提供され、より正確で効率的な細胞分化経路のモデリングを可能にし、下流の生物学的タスクに対する洞察を提供する。
HDTreeのコードは匿名リンクhttps://anonymous.4open.science/r/code_HDTree_review-A8DBで入手できる。
関連論文リスト
- Autoregressive Generation of Static and Growing Trees [49.93294993975928]
本稿では,ツリー生成のためのトランスフォーマーアーキテクチャとトレーニング戦略を提案する。
アーキテクチャはデータを複数の解像度で処理し、1時間ガラスの形状を持ち、中間層は外側層よりも少ないトークンを処理する。
我々は,この手法を拡張して,イメージ・ツー・ツリーとポイント・クラウド・ツー・ツリー条件生成を行い,木の成長過程をシミュレートし,4D木を生成する。
論文 参考訳(メタデータ) (2025-02-07T08:51:14Z) - An efficient solution to Hidden Markov Models on trees with coupled branches [0.0]
木上の隠れモデル(HMM)のフレームワークを拡張して、データのツリーのような構造が結合されたブランチを含むシナリオに対処する。
本研究では,木系HMMと分岐した分岐木に対する確率,復号化,パラメータ学習問題を効率的に解くプログラミングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-06-03T18:00:00Z) - ARTree: A Deep Autoregressive Model for Phylogenetic Inference [6.935130578959931]
グラフニューラルネットワーク(GNN)に基づく系統推定のための深層自己回帰モデルを提案する。
本研究では,本手法の有効性と効率を,実データツリーのトポロジー密度推定と変分系統推定問題のベンチマークで実証する。
論文 参考訳(メタデータ) (2023-10-14T10:26:03Z) - Tree Variational Autoencoders [5.992683455757179]
本稿では,潜在変数上の柔軟木に基づく後続分布を学習する階層的階層クラスタリングモデルを提案する。
TreeVAEは、本質的な特徴に従ってサンプルを階層的に分割し、データ内の隠れた構造に光を遮る。
論文 参考訳(メタデータ) (2023-06-15T09:25:04Z) - Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳(メタデータ) (2023-05-24T11:05:12Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z)
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。