論文の概要: Fused Lasso Improves Accuracy of Co-occurrence Network Inference in Grouped Samples

• arxiv url: http://arxiv.org/abs/2509.09413v1
• Date: Thu, 11 Sep 2025 12:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.383757
• Title: Fused Lasso Improves Accuracy of Co-occurrence Network Inference in Grouped Samples
• Title（参考訳）: 融合ラッソはグループサンプルにおける共起ネットワーク推論の精度を改善する
• Authors: Daniel Agyapong, Briana H. Beatty, Peter G. Kennedy, Toby D. Hocking,
• Abstract要約: 共起ネットワーク推論アルゴリズムは、通常、単一の環境ニッチから収集されたサンプル内の微生物の関連を分析する。 我々は,マイクロバイオーム・コミュニティ・ネットワークの推論において,完全に新しいアルゴリズムであるfuserを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Co-occurrence network inference algorithms have significantly advanced our understanding of microbiome communities. However, these algorithms typically analyze microbial associations within samples collected from a single environmental niche, often capturing only static snapshots rather than dynamic microbial processes. Previous studies have commonly grouped samples from different environmental niches together without fully considering how microbial communities adapt their associations when faced with varying ecological conditions. Our study addresses this limitation by explicitly investigating both spatial and temporal dynamics of microbial communities. We analyzed publicly available microbiome abundance data across multiple locations and time points, to evaluate algorithm performance in predicting microbial associations using our proposed Same-All Cross-validation (SAC) framework. SAC evaluates algorithms in two distinct scenarios: training and testing within the same environmental niche (Same), and training and testing on combined data from multiple environmental niches (All). To overcome the limitations of conventional algorithms, we propose fuser, an algorithm that, while not entirely new in machine learning, is novel for microbiome community network inference. It retains subsample-specific signals while simultaneously sharing relevant information across environments during training. Unlike standard approaches that infer a single generalized network from combined data, fuser generates distinct, environment-specific predictive networks. Our results demonstrate that fuser achieves comparable predictive performance to existing algorithms such as glmnet when evaluated within homogeneous environments (Same), and notably reduces test error compared to baseline algorithms in cross-environment (All) scenarios.
• Abstract（参考訳）: 共起ネットワーク推論アルゴリズムは,微生物群集の理解を著しく向上させた。 しかしながら、これらのアルゴリズムは通常、単一の環境ニッチから収集されたサンプル内の微生物の関連を分析し、しばしば動的微生物プロセスではなく静的スナップショットのみをキャプチャする。 これまでの研究では、微生物群集が環境条件の異なる環境条件にどのように適応するかを考慮せずに、異なる環境ニッチからサンプルをまとめてきた。 本研究は,微生物群集の空間的・時間的動態を明示的に調査することにより,この制限に対処する。 提案するSame-All Cross-validation (SAC) フレームワークを用いて, 微生物の関連性を予測するアルゴリズムの性能を評価する。 SACは、同じ環境ニッチ(Same)内でのトレーニングとテスト、複数の環境ニッチ(All)の複合データに対するトレーニングとテストの2つの異なるシナリオでアルゴリズムを評価する。 従来のアルゴリズムの限界を克服するために、マイクロバイオームコミュニティネットワークの推論において、機械学習において全く新しいものではないが、新しいアルゴリズムであるfuserを提案する。 サブサンプル固有の信号を保持し、トレーニング中に環境間で関連情報を同時に共有する。 統合データから単一の一般化ネットワークを推定する標準的なアプローチとは異なり、fuserは環境固有の予測ネットワークを生成する。 この結果から,同種環境(Same)で評価された場合,fuserはglmnetなどの既存アルゴリズムに匹敵する予測性能を示し,クロス環境(All)シナリオにおけるベースラインアルゴリズムと比較して,テスト誤差を著しく低減することがわかった。

関連論文リスト

• Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
  本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。 後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。 各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
  論文  参考訳（メタデータ） (2025-02-04T18:23:22Z)
• Generative modeling of density regression through tree flows [3.0262553206264893]
  本稿では,表データの密度回帰タスクに適したフローベース生成モデルを提案する。 本稿では,木質変換を分割・対数戦略を用いて適合させる学習アルゴリズムを提案する。 本手法は, トレーニングおよびサンプリング予算のごく一部において, 同等あるいは優れた性能を継続的に達成する。
  論文  参考訳（メタデータ） (2024-06-07T21:07:35Z)
• Cross-Validation for Training and Testing Co-occurrence Network Inference Algorithms [1.8638865257327277]
  共起ネットワーク推論アルゴリズムは、微生物、特にバクテリアの複雑な関連を理解するのに役立ちます。 推定されたネットワークの品質を評価するための従来の方法は、外部データの使用、サブサンプル間のネットワーク一貫性などである。 本稿では、共起ネットワーク推論アルゴリズムを評価するための新しいクロスバリデーション手法と、テストデータに基づく予測に既存のアルゴリズムを適用する新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T19:43:15Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• Iterative Feature Matching: Toward Provable Domain Generalization with Logarithmic Environments [55.24895403089543]
  ドメインの一般化は、限られた数のトレーニング環境からのデータで、目に見えないテスト環境でうまく機能することを目的としています。 我々は,O(logd_s)$環境のみを見た後に一般化する予測器を高確率で生成することを保証する反復的特徴マッチングに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-18T04:39:19Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Latent Network Estimation and Variable Selection for Compositional Data via Variational EM [0.0]
  ネットワークの相互作用と関連性を同時に推定する新しい手法を開発した。 マイクロバイオームデータへの応用を通して,本モデルの実用性を示す。
  論文  参考訳（メタデータ） (2020-10-25T21:52:39Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• DCMD: Distance-based Classification Using Mixture Distributions on Microbiome Data [10.171660468645603]
  混合分布(DCMD)を用いた距離ベース分類のための革新的な手法を提案する。 このアプローチはサンプルデータの混合分布を推定することによりスパース数に固有の不確実性をモデル化する。 結果は、既存の機械学習や距離ベースのアプローチと比較される。
  論文  参考訳（メタデータ） (2020-03-29T23:30:20Z)

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。