論文の概要: GRMLR: Knowledge-Enhanced Small-Data Learning for Deep-Sea Cold Seep Stage Inference

• arxiv url: http://arxiv.org/abs/2603.23961v1
• Date: Wed, 25 Mar 2026 05:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.149096
• Title: GRMLR: Knowledge-Enhanced Small-Data Learning for Deep-Sea Cold Seep Stage Inference
• Title（参考訳）: GRMLR:深海寒冷期推論のための知識強化型小型データ学習
• Authors: Chenxu Zhou, Zelin Liu, Rui Cai, Houlin Gong, Yikang Yu, Jia Zeng, Yanru Pei, Liang Zhang, Weishu Zhao, Xiaofeng Gao,
• Abstract要約: 本稿では,生態知識グラフを構造的先行として組み込んだ知識強化型分類フレームワークを提案する。 このフレームワークはマクロ-微生物結合と微生物共起パターンを融合することにより、確立した生態論理をアンダーラインテキストbfGraph-underlinetextbfRegularized underlinetextbfMultinomial underlinetextbfLogistic underlinetextbfRegression (GRMLR)モデルに内部化する。
• 参考スコア（独自算出の注目度）: 17.364863354774425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep-sea cold seep stage assessment has traditionally relied on costly, high-risk manned submersible operations and visual surveys of macrofauna. Although microbial communities provide a promising and more cost-effective alternative, reliable inference remains challenging because the available deep-sea dataset is extremely small ($n = 13$) relative to the microbial feature dimension ($p = 26$), making purely data-driven models highly prone to overfitting. To address this, we propose a knowledge-enhanced classification framework that incorporates an ecological knowledge graph as a structural prior. By fusing macro-microbe coupling and microbial co-occurrence patterns, the framework internalizes established ecological logic into a \underline{\textbf{G}}raph-\underline{\textbf{R}}egularized \underline{\textbf{M}}ultinomial \underline{\textbf{L}}ogistic \underline{\textbf{R}}egression (GRMLR) model, effectively constraining the feature space through a manifold penalty to ensure biologically consistent classification. Importantly, the framework removes the need for macrofauna observations at inference time: macro-microbe associations are used only to guide training, whereas prediction relies solely on microbial abundance profiles. Experimental results demonstrate that our approach significantly outperforms standard baselines, highlighting its potential as a robust and scalable framework for deep-sea ecological assessment.
• Abstract（参考訳）: 深海寒冷期のステージアセスメントは、伝統的に高価で高リスクの有人潜水作業とマクロファージの視覚的調査に依存してきた。 微生物コミュニティは有望で費用効果の高い代替手段を提供するが、利用可能な深海データセットは、微生物の特徴次元(p = 26$)と比較して非常に小さい(n = 13$)ため、信頼性の高い推論は依然として難しい。 これを解決するために,生態知識グラフを構造的先行として組み込んだ知識強化型分類フレームワークを提案する。 マクロ-微生物結合と微生物共起パターンを融合させることにより、確立された生態学的論理を \underline{\textbf{G}}raph-\underline{\textbf{R}}egularized \underline{\textbf{M}}ultinomial \underline{\textbf{L}}ogistic \underline{\textbf{R}}egression (GRMLR) モデルに内在させ、生物学的に一貫した分類を保証するために、機能空間を効果的に制約する。 マクロ微生物の関連性はトレーニングのガイドにのみ使用されるが、予測は微生物の豊富なプロファイルにのみ依存する。 実験の結果,本手法は標準ベースラインを著しく上回り,深海環境評価のための堅牢でスケーラブルなフレームワークとしての可能性を強調した。

関連論文リスト

• CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
  我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。 このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。 最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
  論文  参考訳（メタデータ） (2026-03-19T07:33:04Z)
• MacroGuide: Topological Guidance for Macrocycle Generation [108.89659074751523]
  マクロガイド: マクロサイクル生成のためのトポロジカルガイダンスを紹介する。 マクロサイクルの生成に向けて、事前訓練された分子生成モデルのサンプリングを行う。 経験的に、事前訓練された拡散モデルにマクロモードを適用すると、マクロサイクルの生成率は1%から99%に増加する。
  論文  参考訳（メタデータ） (2026-02-16T18:00:53Z)
• MicroAUNet: Boundary-Enhanced Multi-scale Fusion with Knowledge Distillation for Colonoscopy Polyp Image Segmentation [8.682943624128214]
  MicroAUNetは、奥行き分離可能な拡張畳み込みと、単一パス、パラメータ共有チャネル空間的アテンションブロックを組み合わせた軽量なアテンションベースセグメンテーションネットワークである。 ベンチマーク実験では、極めて低いモデル複雑さ下での最先端の精度が示され、MicroAUNetがリアルタイムな臨床ポリープセグメンテーションに適していることが示されている。
  論文  参考訳（メタデータ） (2025-11-03T01:43:34Z)
• BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models [15.029163153558533]
  種分布モデル(SDM)は,環境変数に基づいて種の発生を予測することを目的としている。 SDMの最近の深層学習の進歩は、複雑で不均一なデータセットでうまく機能することが示されている。 本稿では,限られた観測データを用いて事前予測を反復的に更新する,新規で実用的なフレームワークであるBATISを紹介する。
  論文  参考訳（メタデータ） (2025-10-22T16:42:46Z)
• Predicting Microbial Ontology and Pathogen Risk from Environmental Metadata with Large Language Models [0.0]
  大規模言語モデル(LLM)は,メタデータのみを利用できる微生物研究において一般化可能であることを示す。 以上の結果から, LLMは環境微生物学およびバイオサーベイランスへの応用において, 希少で異質な生体メタデータを効果的に推論し, 有望なメタデータのみのアプローチを提供することが示唆された。
  論文  参考訳（メタデータ） (2025-07-29T16:32:45Z)
• TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
  本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。 本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-08T18:02:22Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。