論文の概要: Probabilistic Joint and Individual Variation Explained (ProJIVE) for Data Integration

• arxiv url: http://arxiv.org/abs/2603.12351v1
• Date: Thu, 12 Mar 2026 18:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.711932
• Title: Probabilistic Joint and Individual Variation Explained (ProJIVE) for Data Integration
• Title（参考訳）: データ統合のための確率的関節と個人変動説明(ProJIVE)
• Authors: Raphiel J. Murden, Ganzhong Tian, Deqiang Qiu, Benajmin B. Risk,
• Abstract要約: Joint and individual Variance Explained (JIVE) は、一般的な被験者で捉えた2つ以上の特徴の間の関節の変動の低ランクな近似を求める。 我々は,JIVEフレームワークの確率モデルを推定するために,予測最大化(EM)アルゴリズムを開発した。 アルツハイマー病における脳形態計測と認知計測にProJIVEを適用した。
• 参考スコア（独自算出の注目度）: 0.7670549278963161
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Collecting multiple types of data on the same set of subjects is common in modern scientific applications including, genomics, metabolomics, and neuroimaging. Joint and Individual Variance Explained (JIVE) seeks a low-rank approximation of the joint variation between two or more sets of features captured on common subjects and isolates this variation from that unique to eachset of features. We develop an expectation-maximization (EM) algorithm to estimate a probabilistic model for the JIVE framework. The model extends probabilistic principal components analysis to multiple data sets. Our maximum likelihood approach simultaneously estimates joint and individual components, which can lead to greater accuracy compared to other methods. We apply ProJIVE to measures of brain morphometry and cognition in Alzheimer's disease. ProJIVE learns biologically meaningful courses of variation, and the joint morphometry and cognition subject scores are strongly related to more expensive existing biomarkers. Data used in preparation of this article were obtained from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. Code to reproduce the analysis is available on our GitHub page.
• Abstract（参考訳）: 同じ対象に対して複数の種類のデータを収集することは、ゲノム学、メタボロミクス、ニューロイメージングといった現代の科学的応用で一般的である。 Joint and individual Variance Explained (JIVE) は、一般的な被験者で捉えた2つ以上の特徴のセット間の結合変動の低ランクな近似を求め、この変化を各特徴セットに固有のものから分離する。 我々は,JIVEフレームワークの確率モデルを推定するために,予測最大化(EM)アルゴリズムを開発した。 このモデルは確率的主成分分析を複数のデータセットに拡張する。 我々の最大極大アプローチは、関節と個々のコンポーネントを同時に推定し、他の手法と比較して精度が向上する可能性がある。 アルツハイマー病における脳形態計測と認知計測にProJIVEを適用した。 ProJIVEは生物学的に意味のある変化のコースを学習し、関節形態計測と認知被験者のスコアは、より高価な既存のバイオマーカーと強く関連している。 本稿では、アルツハイマー病神経画像イニシアチブ(ADNI)データベースから得られた。 分析を再現するコードはGitHubのページにある。

関連論文リスト

• Multi-modal Integration Analysis of Alzheimer's Disease Using Large Language Models and Knowledge Graphs [0.33554367023486936]
  本稿では,大規模言語モデル(LLM)と知識グラフを用いたアルツハイマー病(AD)研究において,断片化されたマルチモーダルデータを統合するための新しい枠組みを提案する。 本手法は,MRI,遺伝子発現,バイオマーカー,脳波,臨床指標の集団レベルでの統合を実証する。
  論文  参考訳（メタデータ） (2025-05-21T16:51:49Z)
• OPTIMUS: Predicting Multivariate Outcomes in Alzheimer's Disease Using Multi-modal Data amidst Missing Values [2.448860365367304]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、神経、遺伝、およびプロテオミクスに関連する疾患である。 最近の"deeper"機械学習アプローチでは、予測精度の向上が期待できるが、これらのモデルの生物学的関連性はさらにグラフ化する必要がある。 我々の研究は、予測的かつ生物学的に説明可能な機械学習フレームワークを構築し、マルチモーダルバイオマーカーを明らかにする可能性を実証している。
  論文  参考訳（メタデータ） (2025-03-14T10:40:04Z)
• 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)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery [1.057079240576682]
  離散状態発見問題に対する教師なし確率モデルであるGaussian Latent Dirichlet Allocation (GLDA)を提案する。 GLDAは、自然言語処理において人気のあるトピックモデルであるLatent Dirichlet Allocation (LDA)から個々の混合構造を借りている。 両データセットにおいて,GLDAを学習したクラスウェイトは,臨床評価したうつ病,不安,ストレススコアと,ベースラインのGMMよりも有意に高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-28T18:33:46Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブル技術を融合した高次元バイナリ分類手法を提案する。 医学ゲノミクスの応用において,本手法は競合する手法によって見落とされた重要なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。