論文の概要: DiffKnock: Diffusion-based Knockoff Statistics for Neural Networks Inference

• arxiv url: http://arxiv.org/abs/2510.01418v1
• Date: Wed, 01 Oct 2025 19:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.850777
• Title: DiffKnock: Diffusion-based Knockoff Statistics for Neural Networks Inference
• Title（参考訳）: DiffKnock: ニューラルネットワーク推論のための拡散に基づくノックオフ統計
• Authors: Heng Ge, Qing Lu,
• Abstract要約: 有限サンプル偽発見率(FDR)制御による高次元特徴選択のための拡散型ノックオフフレームワークであるDiffKnockを紹介する。 提案手法では、拡散モデルを用いて有効なノックオフを生成し、ニューラルネットワークに基づく勾配とフィルタ統計を用いて非対称な特徴重要度尺度を構築する。
• 参考スコア（独自算出の注目度）: 0.8570687293939802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DiffKnock, a diffusion-based knockoff framework for high-dimensional feature selection with finite-sample false discovery rate (FDR) control. DiffKnock addresses two key limitations of existing knockoff methods: preserving complex feature dependencies and detecting non-linear associations. Our approach trains diffusion models to generate valid knockoffs and uses neural network--based gradient and filter statistics to construct antisymmetric feature importance measures. Through simulations, we showed that DiffKnock achieved higher power than autoencoder-based knockoffs while maintaining target FDR, indicating its superior performance in scenarios involving complex non-linear architectures. Applied to murine single-cell RNA-seq data of LPS-stimulated macrophages, DiffKnock identifies canonical NF-$\kappa$B target genes (Ccl3, Hmox1) and regulators (Fosb, Pdgfb). These results highlight that, by combining the flexibility of deep generative models with rigorous statistical guarantees, DiffKnock is a powerful and reliable tool for analyzing single-cell RNA-seq data, as well as high-dimensional and structured data in other domains.
• Abstract（参考訳）: 有限サンプル偽発見率(FDR)制御による高次元特徴選択のための拡散型ノックオフフレームワークであるDiffKnockを紹介する。 DiffKnockは、既存のノックオフメソッドの2つの重要な制限に対処している。 提案手法では、拡散モデルを用いて有効なノックオフを生成し、ニューラルネットワークに基づく勾配とフィルタ統計を用いて非対称な特徴重要度尺度を構築する。 シミュレーションにより、DiffKnockは目標FDRを維持しながらオートエンコーダベースのノックオフよりも高い性能を実現し、複雑な非線形アーキテクチャを含むシナリオにおいて優れた性能を示した。 LPS刺激マクロファージのマウス単細胞RNA配列データに適用すると、DiffKnockは標準NF-$\kappa$B標的遺伝子(Ccl3, Hmox1)と調節因子(Fosb, Pdgfb)を同定する。 これらの結果は、深層生成モデルの柔軟性と厳密な統計的保証を組み合わせることで、DiffKnockはシングルセルRNA-seqデータだけでなく、他の領域の高次元および構造化データを分析するための強力で信頼性の高いツールであることを示している。

関連論文リスト

• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• LapDDPM: A Conditional Graph Diffusion Model for scRNA-seq Generation with Spectral Adversarial Perturbations [1.0377683220196872]
  安定かつ高忠実な scRNA-seq 生成のための条件付きグラフ拡散確率モデルである LapDDPM を導入する。 我々は,複雑なscRNA-seq分布からの効果的な学習と生成のための条件付きスコアベースモデルを開発した。 多様なscRNA-seqデータセットの実験は、LapDDPMの優れた性能を示し、高い忠実性を実現し、生物学的に証明可能な細胞型特異なサンプルを生成する。
  論文  参考訳（メタデータ） (2025-06-16T10:35:32Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• DeepDRK: Deep Dependency Regularized Knockoff for Feature Selection [14.840211139848275]
  ディープ依存正規化ノックオフ(Deep Dependency Regularized Knockoff)とは、FDRと電力を効果的にバランスさせる分布自由なディープラーニング手法である。 マルチソース攻撃下での学習問題として,ノックオフモデルの新たな定式化を導入する。 我々のモデルは、合成、半合成、および実世界のデータセットで既存のベンチマークより優れています。
  論文  参考訳（メタデータ） (2024-02-27T03:24:54Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Variable Selection with the Knockoffs: Composite Null Hypotheses [2.725698729450241]
  我々は、ノックオフ手順の理論を合成ヌル仮説を用いたテストに拡張する。 主な技術的課題は、任意の設計から依存した特徴と組み合わせて合成ヌルを扱うことである。
  論文  参考訳（メタデータ） (2022-03-06T01:40:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。