論文の概要: A Fast Screening Approach for High-dimensional Outcomes and High-dimensional Predictors

• arxiv url: http://arxiv.org/abs/2606.03018v1
• Date: Tue, 02 Jun 2026 01:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.680723
• Title: A Fast Screening Approach for High-dimensional Outcomes and High-dimensional Predictors
• Title（参考訳）: 高次元出力と高次元予測器の高速スクリーニング手法
• Authors: Hongju Park, Zhenyao Ye, Shuo Chen,
• Abstract要約: 本稿では,新しいスクリーニングフレームワークであるグラフ独立デュアルスクリーニング(GIDS)を提案し,応答変数と予測器の次元性を同時に低減する。 我々は、ゲノムワイド865,353DNAメチル化と49,386転写因子との相互作用を解析して、アルツハイマー病神経画像イニシアチブデータセットにGIDSを適用した。
• 参考スコア（独自算出の注目度）: 3.4167911937490665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling interactions among multimodal, high-dimensional data is intrinsically challenging due to ultra-high dimensionality and complex dependence structure with high level noise. Screening methods are effective for reducing dimensionality, but most existing approaches shrink only the predictor space while retaining all outcomes. In cross-modal analyses, different outcomes often select different predictor subsets, so the union remains large and the response dimension is unchanged, limiting the practical benefit of screening. This gives rise to heavy computational burdens and poor interpretability. To address these limitations, we propose a new screening framework, Graph Independence Dual Screening (GIDS), which simultaneously reduces the dimensionality of response variables and predictors. We design computationally efficient algorithms that facilitate downstream selection procedures, improving accuracy and scalability, and establish supporting theoretical results. Extensive simulation studies demonstrate that GIDS outperforms existing methods that screen only predictors. To illustrate its utility, we applied GIDS to the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, analyzing interactions between genome-wide 865,353 DNA methylation and 49,386 transcriptomic variables. GIDS reduced the feature space to approximately 9,000 CpGs and 2,000 transcripts, uncovering blockwise interaction structures: clusters of CpG sites and gene transcripts with strong associations. These findings not only improve computational tractability but also yield interpretable biological insights, highlighting coordinated regulatory mechanisms underlying Alzheimer's disease.
• Abstract（参考訳）: マルチモーダル・高次元データ間の相互作用のモデル化は、超高次元と高レベルノイズを伴う複素依存構造のために本質的に困難である。 スクリーニング手法は次元の減少に有効であるが、既存のアプローチのほとんどは、全ての結果を維持しながら予測空間のみを縮小する。 クロスモーダル解析では、異なる結果がしばしば異なる予測部分集合を選択するので、結合は大きいままであり、応答次元は変化せず、スクリーニングの実用的利益を制限している。 これにより計算負荷が大きくなり、解釈容易性が低下する。 これらの制約に対処するため,新しいスクリーニングフレームワークであるグラフ独立デュアルスクリーニング(GIDS)を提案し,応答変数と予測器の次元性を同時に低減する。 我々は、下流の選択手順を容易にし、精度とスケーラビリティを向上し、理論的結果を支援する計算効率の良いアルゴリズムを設計する。 大規模なシミュレーション研究により、GIDSは予測器のみをスクリーニングする既存の手法よりも優れていることが示された。 その有用性を説明するために、我々は、ゲノムワイド865,353DNAメチル化と49,386転写因子との相互作用を解析する、アルツハイマー病神経画像イニシアチブ(ADNI)データセットにGIDSを適用した。 GIDSは特徴空間を約9000個のCpGと2,000個の転写産物に減らし、CpG部位のクラスターと強い関連を持つ遺伝子転写産物のブロックワイド相互作用構造を発見した。 これらの知見は、計算的トラクタビリティの向上だけでなく、解釈可能な生物学的洞察をもたらし、アルツハイマー病の根底にある調節機構の協調を強調した。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• GANet-Seg: Adversarial Learning for Brain Tumor Segmentation with Hybrid Generative Models [1.0456203870202954]
  この研究は、事前訓練されたGANとUnetアーキテクチャを利用した脳腫瘍セグメンテーションのための新しいフレームワークを導入する。 グローバルな異常検出モジュールと改良されたマスク生成ネットワークを組み合わせることで,腫瘍感受性領域を正確に同定する。 マルチモーダルMRIデータと合成画像拡張を用いて、ロバスト性を改善し、限られたアノテートデータセットの課題に対処する。
  論文  参考訳（メタデータ） (2025-06-26T13:28:09Z)
• Learning Massive-scale Partial Correlation Networks in Clinical Multi-omics Studies with HP-ACCORD [9.759451770552284]
  マルチオミクスデータ解析のための新しい擬似類似性に基づくグラフィカル・モデル・フレームワークを提案する。 提案した推定器は,高次元仮定下での様々な指標における推定と選択の整合性を維持する。 最大100万変数のシミュレーションデータを用いて,本フレームワークの高性能コンピューティング実装を検証した。
  論文  参考訳（メタデータ） (2024-12-16T08:38:02Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• 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)

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。