論文の概要: Understanding When Poisson Log-Normal Models Outperform Penalized Poisson Regression for Microbiome Count Data
- arxiv url: http://arxiv.org/abs/2604.03853v1
- Date: Sat, 04 Apr 2026 20:26:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.798521
- Title: Understanding When Poisson Log-Normal Models Outperform Penalized Poisson Regression for Microbiome Count Data
- Title（参考訳）: Poisson Log-Normal Models Outform Penalized Poisson Regression for Microbiome Count Data
- Authors: Daniel Agyapong, Julien Chiquet, Jane Marks, Toby Dylan Hocking,
- Abstract要約: 本研究は, 実微生物データを用いて, 統合された保留評価枠組み下での課題について検討する。
PLN と GLMNet (Poisson) を 32 から 18,270 のサンプルと 24 から 257 の分類群で比較した。
ネットワーク推論では、PLNNetworkとGLMNet(Poisson)を、実験によって検証された微生物相互作用の真理を持つ5つの公開データセットで比較する。
- 参考スコア（独自算出の注目度）: 1.7149364927872013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate count models are often justified by their ability to capture latent dependence, but researchers receive little guidance on when this added structure improves on simpler penalized marginal Poisson regression. We study this question using real microbiome data under a unified held-out evaluation framework. For count prediction, we compare PLN and GLMNet(Poisson) on 20 datasets spanning 32 to 18,270 samples and 24 to 257 taxa, using held-out Poisson deviance under leave-one-taxon-out prediction with 3-fold sample cross-validation rather than synthetic or in-sample criteria. For network inference, we compare PLNNetwork and GLMNet(Poisson) neighborhood selection on five publicly available datasets with experimentally validated microbial interaction truth. PLN outperforms GLMNet(Poisson) on most count-prediction datasets, with gains up to 38 percent. The primary predictor of the winner is the sample-to-taxon ratio, with mean absolute correlation as the strongest secondary signal and overdispersion as an additional predictor. PLNNetwork performs best on broad undirected interaction benchmarks, whereas GLMNet(Poisson) is better aligned with local or directional effects. Taken together, these results provide guidance for choosing between latent multivariate count models and penalized Poisson regression in biological count prediction and interaction recovery.
- Abstract（参考訳）: 多変量モデルはしばしば、潜伏依存を捉える能力によって正当化されるが、この付加構造がより単純なペナル化された辺縁ポアソン回帰を改善するときのガイダンスはほとんど得られない。
本研究は, 実バイオームデータを用いて, 統合された保留評価フレームワークを用いて検討する。
PLNとGLMNet(Poisson)を32～18,270のサンプルと24～257の分類群で比較した。
ネットワーク推論では, PLNNetwork と GLMNet(Poisson) の近傍選択を5つの公開データセットで比較し, 実験的検討を行った。
PLNは、ほとんどのカウント予測データセットでGLMNet(Poisson)を上回り、最大38%向上した。
勝者の第一の予測器はサンプル対タキソン比であり、平均絶対相関は最強の二次信号、過分散は追加の予測器である。
GLMNet(Poisson)は局所的効果や方向的効果とよく一致しているのに対し、PLNNetworkは広範に非方向の相互作用ベンチマークで最適である。
これらの結果は,生物数予測と相互作用回復において,潜伏多変量モデルと罰則ポアソン回帰のどちらを選択するかを選択するためのガイダンスを提供する。
関連論文リスト
- G-computation for increasing performances of clinical trials with individual randomization and binary response [0.43541492802373877]
臨床試験では、ランダムなアロケーションは腕間の予後因子のバランスを目標とし、真の共同設立者を防ぐ。
したがって、特に関連するパワーの増加のため、予後因子の調整が推奨される。
本稿では,機械学習によるG-computationが,サンプルサイズが小さい場合でもランダム化臨床試験に適した方法であると仮定した。
論文 参考訳（メタデータ） (2024-11-15T10:18:38Z) - Scalable DP-SGD: Shuffling vs. Poisson Subsampling [61.19794019914523]
バッチサンプリングをシャッフルしたマルチエポック適応線形クエリ(ABLQ)機構のプライバシ保証に対する新たな下位境界を提供する。
ポアソンのサブサンプリングと比較すると大きな差がみられ, 以前の分析は1つのエポックに限られていた。
本稿では,大規模な並列計算を用いて,Poissonサブサンプリングを大規模に実装する実践的手法を提案する。
論文 参考訳（メタデータ） (2024-11-06T19:06:16Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Precise Model Benchmarking with Only a Few Observations [6.092112060364272]
本稿では,各サブグループの直接推定と回帰推定を個別にバランスする経験的ベイズ推定器を提案する。
EBは、直接的および回帰的アプローチと比較して、LCM性能のより正確な推定を一貫して提供する。
論文 参考訳（メタデータ） (2024-10-07T17:26:31Z) - Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces [0.0]
反応分子ポテンシャルエネルギー表面(PES)に、大きな予測誤差(外乱)を持つサンプルを検出する不確かさ定量(UQ)を適用する。
The three method - Ensembles, Deep Evidential Regression (DER), and Gaussian Mixture Models (GMM) were applied to the H-transfer reaction between $it syn-$Criegee and vinyl hydroxyperoxide。
その結果, アンサンブルモデルが外乱検出に最適な結果となり, 次いでGMMが得られた。
論文 参考訳（メタデータ） (2024-02-27T17:01:21Z) - 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) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - Beyond Ridge Regression for Distribution-Free Data [8.523307608620094]
正規化最大可能性 (pNML) は、データ上に分布の仮定が作成されない分布自由設定に対する min-max 後悔解として提案されている。
仮説クラスに事前のような関数を適用することで、その有効サイズが減少する。
尾根回帰経験的リスク最小化器(Ridge ERM)によるLpNML予測と関連するpNML
我々のLpNMLは、PMLB集合のリッジERM誤差を最大20%低減し、
論文 参考訳（メタデータ） (2022-06-17T13:16:46Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-10-26T20:14:30Z) - Curse of Small Sample Size in Forecasting of the Active Cases in
COVID-19 Outbreak [0.0]
新型コロナウイルス(COVID-19)のパンデミックでは、感染者数や今後の流行を予想する試みが多数行われている。
しかし、信頼性の高い方法では、新型コロナウイルス(COVID-19)の根本的特徴の中期的・長期的進化を許容できる精度で予測することができない。
本稿では,この予測問題における機械学習モデルの故障について説明する。
論文 参考訳（メタデータ） (2020-11-06T23:13:34Z)
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。