論文の概要: SOLVAR: Fast covariance-based heterogeneity analysis with pose refinement for cryo-EM

• arxiv url: http://arxiv.org/abs/2602.17603v1
• Date: Thu, 19 Feb 2026 18:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.306655
• Title: SOLVAR: Fast covariance-based heterogeneity analysis with pose refinement for cryo-EM
• Title（参考訳）: SOLVAR:Cryo-EMのポーズ改善による高速共分散に基づく不均一性解析
• Authors: Roey Yadgar, Roy R. Lederman, Yoel Shkolnisky,
• Abstract要約: 核電子顕微鏡(cryo-EM)は、高分子の3次元構造を解くための強力な技術として登場した。 低温EMの鍵となる課題は、分子がコンフォメーション状態の連続体を採用する連続的な不均一性を特徴づけることである。 共分散に基づく手法は、構造的変数をモデル化するための原則的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 1.739627424017212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryo-electron microscopy (cryo-EM) has emerged as a powerful technique for resolving the three-dimensional structures of macromolecules. A key challenge in cryo-EM is characterizing continuous heterogeneity, where molecules adopt a continuum of conformational states. Covariance-based methods offer a principled approach to modeling structural variability. However, estimating the covariance matrix efficiently remains a challenging computational task. In this paper, we present SOLVAR (Stochastic Optimization for Low-rank Variability Analysis), which leverages a low-rank assumption on the covariance matrix to provide a tractable estimator for its principal components, despite the apparently prohibitive large size of the covariance matrix. Under this low-rank assumption, our estimator can be formulated as an optimization problem that can be solved quickly and accurately. Moreover, our framework enables refinement of the poses of the input particle images, a capability absent from most heterogeneity-analysis methods, and all covariance-based methods. Numerical experiments on both synthetic and experimental datasets demonstrate that the algorithm accurately captures dominant components of variability while maintaining computational efficiency. SOLVAR achieves state-of-the-art performance across multiple datasets in a recent heterogeneity benchmark. The code of the algorithm is freely available at https://github.com/RoeyYadgar/SOLVAR.
• Abstract（参考訳）: 核電子顕微鏡(cryo-EM)は、高分子の3次元構造を解くための強力な技術として登場した。 低温EMの鍵となる課題は、分子がコンフォメーション状態の連続体を採用する連続的な不均一性を特徴づけることである。 共分散に基づく手法は、構造的変数をモデル化するための原則的なアプローチを提供する。 しかし、共分散行列を効率的に推定することは難しい計算課題である。 本稿では,共分散行列に対する低階仮定を利用して,共分散行列が明らかに禁止されているにもかかわらず,その主成分に対するトラクタブルな推定器を提供するSOLVAR(Stochastic Optimization for Low-rank Variability Analysis)を提案する。 この低ランクな仮定の下で、我々の推定子は最適化問題として定式化することができ、迅速かつ正確に解ける。 さらに,本フレームワークは,入力粒子画像のポーズの洗練,不均一性分析手法に欠ける機能,共分散に基づく手法のすべてを実現する。 合成データセットと実験データセットの両方に関する数値実験により、アルゴリズムは計算効率を維持しながら、変数の主成分を正確に捕捉することを示した。 SOLVARは、最近の不均一性ベンチマークで、複数のデータセットにわたる最先端のパフォーマンスを達成する。 アルゴリズムのコードはhttps://github.com/RoeyYadgar/SOLVARで無料で利用できる。

関連論文リスト

• Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
  我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。 FCTNは多次元データ処理と解析において顕著な業績を残している。 定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2026-02-13T14:56:37Z)
• Low-rank computation of the posterior mean in Multi-Output Gaussian Processes [0.6445605125467574]
  マルチアウトプットガウス過程(MOGP)と,MOGPの後方平均を効率的に計算するための低ランクアプローチについて考察する。
  論文  参考訳（メタデータ） (2025-04-30T11:19:58Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• $\ell_0$ factor analysis [25.14792952830999]
  低ランク成分に対する核ノルムを用いた最適化問題を定式化する。 最適化問題の解法として、交互最小化アルゴリズムを設計する。 アルゴリズムの有効性は、合成データセットと実データセットのシミュレーションによって検証される。
  論文  参考訳（メタデータ） (2024-11-13T09:40:23Z)
• Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition [2.403264213118039]
  本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。 提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。 本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
  論文  参考訳（メタデータ） (2022-11-25T16:32:56Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
  テンソルの合同ベンチマークとクラスタリングの問題を考察する。 本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-15T21:06:16Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。