論文の概要: MapPFN: Learning Causal Perturbation Maps in Context

• arxiv url: http://arxiv.org/abs/2601.21092v1
• Date: Wed, 28 Jan 2026 22:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.464013
• Title: MapPFN: Learning Causal Perturbation Maps in Context
• Title（参考訳）: MapPFN: コンテキストにおける因果摂動マップの学習
• Authors: Marvin Sextro, Weronika Kłos, Gabriel Dernbach,
• Abstract要約: 本稿では,前者の因果摂動から生成された合成データに基づいて事前学習した先行データ適合ネットワーク(PFN)であるMapPFNを提案する。 一連の実験から、MapPFNは、勾配に基づく最適化なしに、コンテキスト内学習を用いて摂動後分布を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning effective interventions in biological systems requires treatment-effect models that adapt to unseen biological contexts by identifying their specific underlying mechanisms. Yet single-cell perturbation datasets span only a handful of biological contexts, and existing methods cannot leverage new interventional evidence at inference time to adapt beyond their training data. To meta-learn a perturbation effect estimator, we present MapPFN, a prior-data fitted network (PFN) pretrained on synthetic data generated from a prior over causal perturbations. Given a set of experiments, MapPFN uses in-context learning to predict post-perturbation distributions, without gradient-based optimization. Despite being pretrained on in silico gene knockouts alone, MapPFN identifies differentially expressed genes, matching the performance of models trained on real single-cell data. Our code and data are available at https://github.com/marvinsxtr/MapPFN.
• Abstract（参考訳）: 生物学的システムにおける効果的な介入の計画には、生物学的文脈に適応する治療効果モデルが必要である。 しかし、単細胞摂動データセットはわずかな生物学的文脈にしか及ばず、既存の方法では、推論時に新たな介入証拠を活用できず、トレーニングデータを超えて適応する。 摂動効果推定器をメタラーニングするために,前者の因果摂動から生成された合成データに基づいて事前データ付きネットワーク(PFN)であるMapPFNを提案する。 一連の実験から、MapPFNは、勾配に基づく最適化なしに、コンテキスト内学習を用いて摂動後分布を予測する。 サイリコ遺伝子ノックアウトだけで事前訓練されているにもかかわらず、MapPFNは差分表現された遺伝子を同定し、実際の単細胞データで訓練されたモデルの性能と一致する。 私たちのコードとデータはhttps://github.com/marvinsxtr/MapPFN.orgで公開されています。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Efficient Data Selection for Training Genomic Perturbation Models [32.968559353907004]
  グラフニューラルネットワークに基づく遺伝子摂動モデルに着目する。 本研究では,アクティブな学習とは異なり,一ショットでトレーニング摂動を選択するサブセット選択法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T12:52:03Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions [4.993565079216378]
  我々は、GnIESと呼ばれる欲求アルゴリズムを用いて、介入対象の知識のないデータ生成モデルの等価クラスを復元する。 さらに,本論文では,半合成データセットを未知の因果基底真理で生成する手法を開発した。
  論文  参考訳（メタデータ） (2022-11-27T17:37:21Z)
• Inferring probabilistic Boolean networks from steady-state gene data samples [0.6882042556551611]
  そこで本研究では,PBNが定常状態にある場合の実際の遺伝子発現データから,PBNを直接推定する手法を提案する。 提案手法は,ネットワークの状態変化の再構築には依存しない。 転移性メラノーマにおける遺伝子プロファイリングデータのサンプルについて,よく知られた研究から,本手法を実証する。
  論文  参考訳（メタデータ） (2022-11-11T00:39:00Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Inference of cell dynamics on perturbation data using adjoint sensitivity [4.606583317143614]
  データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。 最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。 本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
  論文  参考訳（メタデータ） (2021-04-13T19:15:56Z)

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。