論文の概要: K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles
- arxiv url: http://arxiv.org/abs/2605.14828v1
- Date: Thu, 14 May 2026 13:35:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.845722
- Title: K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles
- Title（参考訳）: K-Models: 汎用クラスタリングのためのフレキシブルかつ解釈可能な手法と抗原・抗体相互作用プロファイルへの応用
- Authors: Giulia Patanè, Alessandra Menafoglio, Alexander Krauth, Peter Fechner, Luca Dede', Bianca Maria Colosimo, Federica Nicolussi,
- Abstract要約: K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
- 参考スコア（独自算出の注目度）: 65.21921642886367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing clustering methods for functional data often prioritize partitioning accuracy over interpretability, making it challenging to extract meaningful insights when the data-generating process follows a specific underlying structure and an ordinal relationship among clusters is suspected. This work introduces K-Models, a novel framework that integrates ordinal constraints and estimates key underlying elements of the random process generating the observed functional profiles, improving both interpretability and structure identification. The proposed method is evaluated through simulations and real-world applications. In particular, it is tested on Region of Interest (ROI) curves, which represent reaction profiles from a reflectometric sensor monitoring biomolecular interactions, such as antigen-antibody binding. These curves represent changes in reflected light intensity over time at multiple measurement spots with immobilized antigens during analyte exposure, capturing the binding dynamics of the system. The goal is to identify intrinsic signal patterns solely from the observed dynamics, making this dataset an ideal benchmark for assessing the added interpretability of the proposed approach. By incorporating structural assumptions into the clustering process, K-Models enhances interpretability while maintaining performance comparable to state-of-the-art techniques, providing a valuable tool for analyzing functional data with an underlying ordinal structure.
- Abstract（参考訳）: 既存の関数データのクラスタリング手法では、解釈可能性よりも分割精度を優先することが多く、データ生成プロセスが特定の基盤構造に従い、クラスタ間の順序関係を疑う場合、意味のある洞察を抽出することは困難である。
この研究は、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークであるK-Modelsを導入し、解釈可能性と構造同定の両方を改善した。
提案手法はシミュレーションと実世界の応用を通して評価する。
特に、抗原-抗体結合などの生体分子間相互作用を監視する反射センサからの反応プロファイルを表わす、関心の領域(ROI)曲線で試験される。
これらの曲線は、無固定化抗原が露出する複数の測定地点で時間とともに反射光強度の変化を示し、系の結合ダイナミクスを捉えている。
目的は、観測されたダイナミクスからのみ本質的な信号パターンを特定することであり、このデータセットは提案手法の追加解釈可能性を評価するのに理想的なベンチマークとなる。
クラスタリングプロセスに構造的仮定を組み込むことで、K-Modelsは最新技術に匹敵する性能を維持しながら解釈可能性を高め、基礎となる順序構造を用いて関数データを分析する貴重なツールを提供する。
関連論文リスト
- Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳（メタデータ） (2026-04-07T13:18:31Z) - Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems [41.99844472131922]
マルチエージェントシステムにおけるインタラクションカーネルの学習のためのデータ駆動型フレームワークを提案する。
本研究の目的は, 軌道データから直接非局所相互作用と拡散項の関数形式を同定することである。
論文 参考訳（メタデータ） (2026-03-16T21:19:25Z) - FlexMS is a flexible framework for benchmarking deep learning-based mass spectrum prediction tools in metabolomics [22.314786276794717]
化学分子の同定と性質予測は、薬物発見と物質科学の発展において重要な役割を担っている。
深層学習モデルは分子構造スペクトルを予測できるが、全体的な評価は難しい。
我々の貢献は、質量スペクトル予測における多様なモデルアーキテクチャの構築と評価のためのベンチマークフレームワークFlexMSの作成である。
論文 参考訳（メタデータ） (2026-02-26T10:05:01Z) - Automated Detection of Visual Attribute Reliance with a Self-Reflective Agent [58.90049897180927]
視覚モデルにおける視覚的特徴の意図しない依存を検出するための自動フレームワークを提案する。
自己反射エージェントは、モデルが依存する可能性のある視覚特性に関する仮説を生成し、テストする。
我々は,視覚特性の多様さを示すために設計された130モデルの新しいベンチマークに対して,我々のアプローチを評価した。
論文 参考訳（メタデータ） (2025-10-24T17:59:02Z) - Spatiodynamic inference using vision-based generative modelling [0.5461938536945723]
我々は,視覚変換器駆動の変分表現を用いたシミュレーションに基づく推論フレームワークを開発した。
中心となる考え方は、パラメータ空間の体系的な探索を通じて、潜在力学の微細で構造化されたメッシュを構築することである。
生成的モデリングと機械的原理を統合することで、我々のアプローチは統合された推論フレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-29T22:10:50Z) - Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。
私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。
その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
論文 参考訳（メタデータ） (2025-07-06T11:50:30Z) - Functional Mixtures-of-Experts [0.24578723416255746]
観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。
まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。
我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-02-04T17:32:28Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。