論文の概要: POEMS: Product of Experts for Interpretable Multi-omic Integration using Sparse Decoding

• arxiv url: http://arxiv.org/abs/2511.03464v1
• Date: Wed, 05 Nov 2025 13:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.435341
• Title: POEMS: Product of Experts for Interpretable Multi-omic Integration using Sparse Decoding
• Title（参考訳）: POEMS:スパースデコーディングを用いたマルチオミック統合のためのエキスパートの製品
• Authors: Mihriban Kocak Balik, Pekka Marttinen, Negar Safinianaini,
• Abstract要約: スパースデコーディングを用いた解釈可能なマルチオミクス統合のためのエキスパート製品であるPOEMSを紹介する。 POEMSはネットワークのどの部分も線形化せずに解釈可能性を提供し、1)スパース接続を用いた潜在要因に特徴をマッピングする。 がん治療のケーススタディでは、POEMSは競合するクラスタリングと分類性能を達成する。
• 参考スコア（独自算出の注目度）: 10.520179127805187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating different molecular layers, i.e., multiomics data, is crucial for unraveling the complexity of diseases; yet, most deep generative models either prioritize predictive performance at the expense of interpretability or enforce interpretability by linearizing the decoder, thereby weakening the network's nonlinear expressiveness. To overcome this tradeoff, we introduce POEMS: Product Of Experts for Interpretable Multiomics Integration using Sparse Decoding, an unsupervised probabilistic framework that preserves predictive performance while providing interpretability. POEMS provides interpretability without linearizing any part of the network by 1) mapping features to latent factors using sparse connections, which directly translates to biomarker discovery, 2) allowing for cross-omic associations through a shared latent space using product of experts model, and 3) reporting contributions of each omic by a gating network that adaptively computes their influence in the representation learning. Additionally, we present an efficient sparse decoder. In a cancer subtyping case study, POEMS achieves competitive clustering and classification performance while offering our novel set of interpretations, demonstrating that biomarker based insight and predictive accuracy can coexist in multiomics representation learning.
• Abstract（参考訳）: 異なる分子層、すなわちマルチオミクスデータを統合することは、病気の複雑さを解明するために重要であるが、ほとんどの深層生成モデルは、解釈容易性を犠牲にして予測性能を優先順位付けするか、デコーダを線形化することによって解釈可能性を強化し、ネットワークの非線形表現性を弱める。 このトレードオフを克服するために、我々は、Sparse Decodingを用いた解釈可能マルチオミクス統合のためのエキスパート製品(Product Of Experts for Interpretable Multiomics Integration)を紹介した。 POEMSはネットワークのどの部分も線形化せずに解釈可能である 1) 生マーカー発見に直接変換するスパース接続を用いた潜伏因子のマッピングを行った。 2 専門家モデルの製品を用いて共有潜伏空間を通じて相互に関連付けることができること、及び 3) 表現学習における学習効果を適応的に計算するゲーティングネットワークにより, 各オーミックのコントリビューションを報告する。 さらに,効率的なスパースデコーダを提案する。 POEMSは, バイオマーカーに基づくインサイトと予測精度がマルチオミクス表現学習において共存可能であることを示すとともに, 競合するクラスタリングと分類性能を実現している。

関連論文リスト

• Vision-Language Semantic Aggregation Leveraging Foundation Model for Generalizable Medical Image Segmentation [5.597576681565333]
  本稿では,期待最大化(EM)アグリゲーション機構とテキストガイド付きPixelデコーダを提案する。 後者は、ドメイン不変のテキスト知識を利用して、深い視覚的表現を効果的に導くことによって、意味的ギャップを埋めるように設計されている。 提案手法は,複数の領域一般化ベンチマークにおいて,既存のSOTA手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-10T13:16:30Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• A Multi-Modal Deep Learning Framework for Pan-Cancer Prognosis [15.10417643788382]
  本稿では,UMPSNetというディープラーニングモデルを提案する。 UMPSNetはテキストテンプレートに4種類の重要なメタデータ(画像情報、癌型情報、治療プロトコル、診断結果)を統合し、テキストエンコーダを導入してテキストの特徴を抽出する。 multi-modality of patient data and joint training を取り入れることで、UMPSNetは全てのSOTAアプローチより優れている。
  論文  参考訳（メタデータ） (2025-01-13T02:29:42Z)
• Intrinsic User-Centric Interpretability through Global Mixture of Experts [31.738009841932374]
  InterpretCCは、人間の理解の容易さと忠実さの説明を最適化する、本質的に解釈可能なニューラルネットワークのファミリーである。 本報告では,InterpretCCの説明は,他の本質的な解釈可能なアプローチよりも,行動性や有用性が高いことを示す。
  論文  参考訳（メタデータ） (2024-02-05T11:55:50Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Improve Variational Autoencoder for Text Generationwith Discrete Latent Bottleneck [52.08901549360262]
  変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。 VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。 よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-22T14:41:37Z)

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。