論文の概要: Making Multi-Axis Models Robust to Multiplicative Noise: How, and Why?

• arxiv url: http://arxiv.org/abs/2603.26327v1
• Date: Fri, 27 Mar 2026 11:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.475905
• Title: Making Multi-Axis Models Robust to Multiplicative Noise: How, and Why?
• Title（参考訳）: 乗法雑音に頑健なマルチアクシスモデルの作成--その方法と理由
• Authors: Bailey Andrew, David R. Westhead, Luisa Cutillo,
• Abstract要約: 我々は,多軸(Kronecker-sum-structured)モデルに乗じるグラフ学習アルゴリズム MED-MAGMA を開発した。 このようなノイズは、シングルセルRNAシークエンシングのような多くのアプリケーション領域において自然である。
• 参考スコア（独自算出の注目度）: 5.091437039522904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we develop a graph-learning algorithm, MED-MAGMA, to fit multi-axis (Kronecker-sum-structured) models corrupted by multiplicative noise. This type of noise is natural in many application domains, such as that of single-cell RNA sequencing, in which it naturally captures technical biases of RNA sequencing platforms. Our work is evaluated against prior work on each and every public dataset in the Single Cell Expression Atlas under a certain size, demonstrating that our methodology learns networks with better local and global structure. MED-MAGMA is made available as a Python package (MED-MAGMA).
• Abstract（参考訳）: 本稿では,多軸(Kronecker-sum-structured)モデルに乗じるグラフ学習アルゴリズム MED-MAGMA を提案する。 このようなノイズは、シングルセルRNAシークエンシングのような多くのアプリケーション領域において自然であり、RNAシークエンシングプラットフォームの技術的バイアスを自然に捉えている。 我々の研究は、特定のサイズでSingle Cell Expression Atlasの各公開データセットに対する事前の作業に対して評価され、我々の方法論がより優れたローカル構造とグローバル構造でネットワークを学習していることが実証された。 MED-MAGMAはPythonパッケージ(MED-MAGMA)として利用可能である。

関連論文リスト

• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Robust Neural Processes for Noisy Data [1.7268667700090563]
  ノイズによってデータが汚染された場合の文脈内学習モデルの振る舞いについて検討する。 クリーンなデータで最高のパフォーマンスを示すモデルは、ノイズの多いデータで最高のパフォーマンスを示すモデルとは異なることが分かりました。 本稿では,NPモデルの学習方法を提案する。
  論文  参考訳（メタデータ） (2024-11-03T20:00:55Z)
• AM-RADIO: Agglomerative Vision Foundation Model -- Reduce All Domains Into One [47.58919672657824]
  このアプローチをAM-RADIO(Agglomerative Model -- すべてのドメインを1に還元する)と名付けます。 教師モデルより少なくとも7倍高速な新しいアーキテクチャ(E-RADIO)を開発した。 包括的なベンチマークプロセスでは、ImageNet分類、ADE20kセマンティックセグメンテーション、COCOオブジェクト検出、LLaVa-1.5フレームワークなどの下流タスクをカバーしています。
  論文  参考訳（メタデータ） (2023-12-10T17:07:29Z)
• Self-supervised learning of multi-omics embeddings in the low-label, high-data regime [0.0]
  対照的に、自己教師型学習(SSL)は、ユニモーダル、mRNA、RPPAの発現データからがんのタイプを予測するモデルを訓練するために用いられる。 遅延融合モデルでは、各オミクスがそれぞれのサブネットワークに渡され、その出力が平均化され、事前学習または下流の目的関数に渡される。 マルチモーダルプレトレーニングは単一オミクスからの予測を改善することが示されており、多くの非ラベル付きマルチモーダルサンプルを持つデータセットでは有用であるが、ラベル付きサンプルはほとんどない。
  論文  参考訳（メタデータ） (2023-11-16T15:32:22Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)

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。