論文の概要: Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening

• arxiv url: http://arxiv.org/abs/2602.13888v1
• Date: Sat, 14 Feb 2026 21:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.540988
• Title: Mixture-of-experts Wishart model for covariance matrices with an application to Cancer drug screening
• Title（参考訳）: 共分散行列の混合実験ウィッシュアートモデルとがん薬物スクリーニングへの応用
• Authors: The Tien Mai, Zhi Zhao,
• Abstract要約: 古典的混合モデルと新しい混合実験ウィッシュアートモデルの両方を通して異種共分散データを解析するための包括的ベイズフレームワークを提案する。 We developed a efficient Gibbs-within-Metropolis-Hastings sample algorithm to the geometry of the Wishart chance and the gating network。 本稿では,がん薬剤感受性プロファイル(がん薬剤感受性プロファイル)という,我々の方法論の革新的な応用を挑戦的データセットに提示する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Covariance matrices arise naturally in different scientific fields, including finance, genomics, and neuroscience, where they encode dependence structures and reveal essential features of complex multivariate systems. In this work, we introduce a comprehensive Bayesian framework for analyzing heterogeneous covariance data through both classical mixture models and a novel mixture-of-experts Wishart (MoE-Wishart) model. The proposed MoE-Wishart model extends standard Wishart mixtures by allowing mixture weights to depend on predictors through a multinomial logistic gating network. This formulation enables the model to capture complex, nonlinear heterogeneity in covariance structures and to adapt subpopulation membership probabilities to covariate-dependent patterns. To perform inference, we develop an efficient Gibbs-within-Metropolis-Hastings sampling algorithm tailored to the geometry of the Wishart likelihood and the gating network. We additionally derive an Expectation-Maximization algorithm for maximum likelihood estimation in the mixture-of-experts setting. Extensive simulation studies demonstrate that the proposed Bayesian and maximum likelihood estimators achieve accurate subpopulation recovery and estimation under a range of heterogeneous covariance scenarios. Finally, we present an innovative application of our methodology to a challenging dataset: cancer drug sensitivity profiles, illustrating the ability of the MoE-Wishart model to leverage covariance across drug dosages and replicate measurements. Our methods are implemented in the \texttt{R} package \texttt{moewishart} available at https://github.com/zhizuio/moewishart .
• Abstract（参考訳）: 共分散行列は、金融、ゲノム学、神経科学など様々な科学分野に自然に現れ、従属構造を符号化し、複雑な多変量系の基本的な特徴を明らかにする。 本研究では,古典混成モデルと新しい混成Wishart(MoE-Wishart)モデルの両方を用いて異種共分散データを解析するための包括的ベイズフレームワークを提案する。 提案したMoE-Wishartモデルでは,多項対数ゲーティングネットワークを通じて混合重みを予測器に依存することにより,標準ウィッシュアート混合を拡張した。 この定式化により、共分散構造における複雑で非線形な不均一性を捕捉し、共変量に依存したパターンにサブポピュレーションメンバーシップ確率を適応することができる。 推論を行うため,ウィッシュアート確率とゲーティングネットワークの幾何に合わせて,効率的なギブズ・ウィズイン・メトロポリス・ハスティングスサンプリングアルゴリズムを開発した。 さらに,実験条件の混合における最大推定のための期待最大化アルゴリズムを導出する。 大規模なシミュレーション研究により,提案したベイズ推定器と最大極大推定器が,様々な異種共分散シナリオの下で正確なサブポピュレーション回復と推定を行うことを示した。 最後に,本手法の革新的応用として,がん薬剤感受性プロファイル,薬物投与量間の共分散を利用したMoE-Wishartモデルの有用性,および再現性の測定等を挙げる。 私たちのメソッドは、https://github.com/zhizuio/moewishart で利用可能な \texttt{R} package \texttt{moewishart} で実装されます。

関連論文リスト

• Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
  ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。 モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。 干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
  論文  参考訳（メタデータ） (2025-10-14T17:23:44Z)
• Model Selection for Gaussian-gated Gaussian Mixture of Experts Using Dendrograms of Mixing Measures [24.865197779389323]
  Mixture of Experts (MoE)モデルは、統計学と機械学習において広く利用されているアンサンブル学習アプローチのクラスである。 混合成分の真の数を一貫した推定が可能なガウスゲート型MoEモデルに新しい拡張を導入する。 合成データを用いた実験結果から,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2025-05-19T12:41:19Z)
• Amortized Bayesian Mixture Models [1.3976439685325095]
  本稿では,混合モデルに適したABI(Amortized Bayesian Inference)の拡張について紹介する。 我々は、後部をパラメータの分布と(カテゴリー的な)混合指標の分布に分解し、生成ニューラルネットワークの組み合わせを利用できるようにする。 提案フレームワークは、独立混合モデルと依存混合モデルの両方に対応し、フィルタリングと平滑化を可能にする。
  論文  参考訳（メタデータ） (2025-01-17T14:51:03Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。