論文の概要: IndiSeek learns information-guided disentangled representations

• arxiv url: http://arxiv.org/abs/2509.21584v1
• Date: Thu, 25 Sep 2025 20:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.013982
• Title: IndiSeek learns information-guided disentangled representations
• Title（参考訳）: IndiSeekが情報誘導不整合表現を学習
• Authors: Yu Gui, Cong Ma, Zongming Ma,
• Abstract要約: IndiSeekは、新しい非絡み合い表現学習手法である。 IndiSeekは独立性と完全性のバランスをとり、モダリティ固有の特徴を原則的に抽出することを可能にする。 IndiSeekが人工シミュレーション,CITE-seqデータセット,および実世界のマルチモーダルベンチマークに与える影響を実証する。
• 参考スコア（独自算出の注目度）: 9.021908698915013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning disentangled representations is a fundamental task in multi-modal learning. In modern applications such as single-cell multi-omics, both shared and modality-specific features are critical for characterizing cell states and supporting downstream analyses. Ideally, modality-specific features should be independent of shared ones while also capturing all complementary information within each modality. This tradeoff is naturally expressed through information-theoretic criteria, but mutual-information-based objectives are difficult to estimate reliably, and their variational surrogates often underperform in practice. In this paper, we introduce IndiSeek, a novel disentangled representation learning approach that addresses this challenge by combining an independence-enforcing objective with a computationally efficient reconstruction loss that bounds conditional mutual information. This formulation explicitly balances independence and completeness, enabling principled extraction of modality-specific features. We demonstrate the effectiveness of IndiSeek on synthetic simulations, a CITE-seq dataset and multiple real-world multi-modal benchmarks.
• Abstract（参考訳）: アンタングル表現の学習はマルチモーダル学習の基本的な課題である。 シングルセルマルチオミクスのような現代のアプリケーションでは、共有とモダリティ特有の特徴は、細胞状態の特徴付けと下流解析のサポートに重要である。 理想的には、モダリティ固有の機能は共有機能とは独立して、各モダリティ内のすべての補完的な情報をキャプチャする必要がある。 このトレードオフは、情報理論の基準によって自然に表現されるが、相互情報に基づく目的は確実に見積もることは困難であり、その変動サロゲートは実際は不十分であることが多い。 本稿では,独立性強化目標と条件付き相互情報に束縛された計算効率の良い再構成損失を組み合わせることで,この課題に対処する新しい非絡み合い表現学習手法であるIndiSeekを紹介する。 この定式化は、独立性と完全性を明確にバランスさせ、モダリティ固有の特徴の原則的抽出を可能にする。 IndiSeekが人工シミュレーション,CITE-seqデータセット,および実世界のマルチモーダルベンチマークに与える影響を実証する。

関連論文リスト

• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Interpretable Feature Interaction via Statistical Self-supervised Learning on Tabular Data [22.20955211690874]
  Spofeは、統計的厳密さによる明確な解釈可能性を達成するために、原則化された表現をキャプチャする、新しい自己教師型機械学習パイプラインである。 このアプローチの基盤となるのは、正確なエラー境界と厳密な偽発見率(FDR)制御を提供する、堅牢な理論フレームワークです。 さまざまな実世界のデータセットの実験は、Spotfeの有効性を実証している。
  論文  参考訳（メタデータ） (2025-03-23T12:27:42Z)
• Incomplete Modality Disentangled Representation for Ophthalmic Disease Grading and Diagnosis [16.95583564875497]
  本稿では,不完全なモダリティ・ディアンタングル表現(IMDR)戦略を提案する。 4つのマルチモーダルデータセットの実験により、提案したIMDRが最先端の手法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2025-02-17T12:10:35Z)
• An Information Criterion for Controlled Disentanglement of Multimodal Data [39.601584166020274]
  マルチモーダル表現学習は、複数のモーダルに固有の情報を関連付けて分解しようとする。 Disentangled Self-Supervised Learning (DisentangledSSL)は、非角表現を学習するための新しい自己教師型アプローチである。
  論文  参考訳（メタデータ） (2024-10-31T14:57:31Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。