論文の概要: Sequence-to-Image Transformation for Sequence Classification Using Rips Complex Construction and Chaos Game Representation

• arxiv url: http://arxiv.org/abs/2512.10141v1
• Date: Wed, 10 Dec 2025 22:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.102669
• Title: Sequence-to-Image Transformation for Sequence Classification Using Rips Complex Construction and Chaos Game Representation
• Title（参考訳）: リップコンプレックス構成とカオスゲーム表現を用いたシーケンス・ツー・イメージ変換によるシーケンス分類
• Authors: Sarwan Ali, Taslim Murad, Imdadullah Khan,
• Abstract要約: 本稿では,Chaos Game Representation と Rips complex construction を組み合わせることで,分子配列を画像に変換する手法を提案する。 提案手法は,CGRによる2次元座標に配列要素をマッピングし,相互距離を計算し,Rip錯体を構築し,局所構造的および大域的トポロジ的特徴を捉える。
• 参考スコア（独自算出の注目度）: 4.517933493143604
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional feature engineering approaches for molecular sequence classification suffer from sparsity issues and computational complexity, while deep learning models often underperform on tabular biological data. This paper introduces a novel topological approach that transforms molecular sequences into images by combining Chaos Game Representation (CGR) with Rips complex construction from algebraic topology. Our method maps sequence elements to 2D coordinates via CGR, computes pairwise distances, and constructs Rips complexes to capture both local structural and global topological features. We provide formal guarantees on representation uniqueness, topological stability, and information preservation. Extensive experiments on anticancer peptide datasets demonstrate superior performance over vector-based, sequence language models, and existing image-based methods, achieving 86.8\% and 94.5\% accuracy on breast and lung cancer datasets, respectively. The topological representation preserves critical sequence information while enabling effective utilization of vision-based deep learning architectures for molecular sequence analysis.
• Abstract（参考訳）: 分子配列分類の伝統的な特徴工学的アプローチはスパーシティ問題や計算複雑性に悩まされ、深層学習モデルは表の生物学的データでは性能が劣ることが多い。 本稿では,CGR(Chaos Game Representation)とRips複素構造を代数的トポロジから組み合わせることで,分子配列を画像に変換する新しいトポロジ手法を提案する。 提案手法は,CGRによる2次元座標に配列要素をマッピングし,相互距離を計算し,Rip錯体を構築し,局所構造的および大域的トポロジ的特徴を捉える。 表現の独自性、トポロジカル安定性、情報保存に関する公式な保証を提供する。 抗がんペプチドデータセットに対する広範囲な実験は、ベクターベース、シーケンス言語モデル、および既存の画像ベース手法よりも優れた性能を示し、それぞれ86.8\%と94.5\%の精度を乳がんデータセットで達成した。 このトポロジカル表現は、分子シークエンス解析に視覚に基づくディープラーニングアーキテクチャを効果的に活用しながら、臨界シークエンス情報を保存する。

関連論文リスト

• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization [1.8335627278682702]
  本稿では,雑音の多い点群から潜在多様体構造を発見できる,多様体再構成層を統合するAutoEncoderに基づく手法を提案する。 ポイントクラウドデータセットの実験では、この手法がt-SNE、UMAP、トポロジカルオートエンコーダといったベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-07T13:47:22Z)
• Sequence Analysis Using the Bezier Curve [3.9052860539161918]
  本稿では,B'ezier曲線を要素マッピングに用いた新しい画像変換手法を提案する。 要素を曲線にマッピングすると、各画像のシーケンス情報表現が強化される。
  論文  参考訳（メタデータ） (2025-03-18T15:40:46Z)
• Hilbert Curve Based Molecular Sequence Analysis [2.949890760187898]
  ヒベルト曲線に基づくカオスゲーム表現法(CGR)を提案する。 この方法は、分子配列からヒルベルト曲線に基づく画像表現を構築するのに使用される新しいAlphabetic index mapping技術を含む変換関数である。 肺がんデータセット上でCNNモデルを用いて試験した場合,94.5$%,F1スコアが9,3.9%と高い精度を達成し,現在最先端の手法を上回り,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-12-29T23:26:43Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Flexible Mesh Segmentation via Reeb Graph Representation of Geometrical and Topological Features [0.0]
  本稿では, フレキシブルリーブグラフ表現を用いて幾何学的特徴と位相的特徴を統合するメッシュセグメンテーション手法を提案する。 このアルゴリズムは,改良されたトポロジカルスケルトンアプローチを用いたリーブグラフの構築,重要な特徴を保ちながら臨界点のキャンセルによるグラフの位相的単純化,適応的な領域成長過程による連続セグメントの生成の3段階からなる。
  論文  参考訳（メタデータ） (2024-12-05T23:04:45Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)

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。