論文の概要: Privacy-preserving federated tensor decomposition of single-cell immune data: recovering multicellular programs across institutions

• arxiv url: http://arxiv.org/abs/2606.24938v1
• Date: Mon, 22 Jun 2026 18:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.050695
• Title: Privacy-preserving federated tensor decomposition of single-cell immune data: recovering multicellular programs across institutions
• Title（参考訳）: 単一細胞免疫データのプライバシ保存型フェデレーションテンソル分解 : 組織間での多細胞プログラムの回復
• Abstract要約: ドナー単細胞データ(Donor single-cell data)は、細胞型にまたがり病気を成層する個体間変異の座標軸(英語版)を復元する。 各サイトは局所的なプログラム部分空間を計算し、コーディネータはそれらを重ねたSVDでマージする。 プログラムサブスペースだけがサイトを離れ、アグリゲーションは安全なアグリゲーションと互換性がある。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor decomposition of donor $\times$ cell-type $\times$ gene single-cell data recovers \emph{multicellular programs}: coordinated axes of inter-individual transcriptional variation that span cell types and stratify disease. Yet immune single-cell atlases are increasingly multi-institution, multi-ancestry, and governed, so patient cells often cannot be pooled. We present a federated estimator: each site computes a local program subspace, and a coordinator merges these by stacked SVD under federated global-mean centering, provably equivalent (up to truncation) to the centralised decomposition. This centering makes the merge robust to site-label confounding (program AUC $0.957$ vs.\ $0.861$ for naive per-site centering). Only program subspaces leave a site, and aggregation is compatible with secure aggregation. On a 261-donor systemic lupus erythematosus atlas it recovers the canonical interferon program (ISG enrichment AUC $0.998$; case--control separation $0.958$; bootstrap $Δ\text{AUC}=-0.000$, 95\% CI $[-0.004,+0.012]$ vs.\ centralised), across institution-scale and multi-ancestry partitions, and across three \emph{real} COVID-19 sites (subspace correlation $0.989$). It recovers the program when \emph{no site observes all cell types} (correlation $1.000$, exact by construction), which fixed-feature federated PCA cannot. On an interstitial-lung-disease atlas the recovered program predicts disease better than the best single cell type (AUC $0.96$ vs.\ $0.91$; gap 95\% CI excludes zero) and the advantage survives federation; a liver cohort is consistent ($p=0.005$). Membership-inference shows secure aggregation cuts attack AUC from $0.91$ to $0.61$. The method enables cross-institution, cross-ancestry recovery of multicellular immune programs without sharing cells.
• Abstract（参考訳）: ドナー$\times$ cell-type $\times$ gene single-cell data recoverys \emph{multicellular program}: coordinated xs of inter-dividual transcriptional variation which across cell types and stratify disease。 しかし、免疫単細胞アトラスは、ますます多施設、多家系、管理されていくため、患者細胞をプールすることができないことが多い。 各サイトは局所的なプログラム部分空間を計算し、コーディネータはこれらを、フェデレートされたグローバル平均中心化の下で積み重ねられたSVDでマージする。 これにより、マージはサイトラベルのコンバウンディング(プログラムAUC $0.957$ vs. プログラムAUC $0.957$)に対して堅牢になる。 \$0.861$ for naive per-site centering)。 プログラムサブスペースだけがサイトを離れ、アグリゲーションは安全なアグリゲーションと互換性がある。 261-donor systemic lupus erythematosus atlasでは、標準インターフェロンプログラム(ISG enrichment AUC $0.998$; case-control separation $0.958$; bootstrap $Δ\text{AUC}=-0.000$, 95\% CI $[-0.004,+0.012]$ vs. 中央集権化)、施設規模、多家系間、および3つの‘emph{real} COVID-19サイト(サブスペース相関$0.989$)にまたがる。 emph{no site が全ての細胞タイプを観察した時にプログラムを復元する(正確には1,000ドル)。 間質性肺疾患のアトラスでは、回復プログラムは最高の単細胞型(AUC $0.96$ vs。 0.91$; gap 95\% CI は 0 を除外し、その利点はフェデレーションに残り、肝コホートは一貫している(p=0.005$)。 メンバーシップ推論では、AUCを0.91ドルから0.61ドルに減らしている。 本発明の方法は、細胞を共有せずに多細胞免疫プログラムのクロスインスティテュート、クロスアンジェストリカバリを可能にする。

関連論文リスト

• On Large-Scale Multiple Testing Over Networks: A Non-Asymptotic Approach [0.0]
  N$のサイトは、厳しい予算の下でグローバルな偽発見率(FDR)を制御するよう求められている。 我々は,BONuS-GAがノード単位の中間から大きいサンプルで,CFGAが小さなサンプルでは適応帯域幅で支配的であることを示す。 すべての変種は、e-CFGAの$O(GreebarRlog m)$レポートラウンドまで、$O(sqrtmlog m)$通信予算を維持している。
  論文  参考訳（メタデータ） (2026-09-12T22:05:15Z)
• Covariance Last-Layer Ensembles: Function-Space Diversity for Efficient Uncertainty Quantification [0.8803840644459077]
  Cov-LLEは、ウェイト・オルソノーマル性が不可能な関数空間の多様性を復元し、マッチした$K$は深いアンサンブルの多様性と校正の多くを回復する。 OCを最終層アンサンブルと見なすと、検出器を2軸の分類に整理する。
  論文  参考訳（メタデータ） (2026-07-26T21:56:02Z)
• MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning [0.5156484100374058]
  MMAO(Multi-Agent Metabolic)は、分類モデル選択のための信頼性の高い外ループとして機能する。 本稿では,MMAO-Clsを提案する。MMAO-Clsは,各エージェントが2次元特徴マスクとハイパーパラメータを共に符号化する混合空間実現法である。 MMAO-Clsを7種類の標準ベンチマークで評価し,RandomSearch,GA-lite,PSO-lite,内因性no-sharing ablationと比較した。
  論文  参考訳（メタデータ） (2026-07-01T23:40:27Z)
• SILAGE: Memory-Efficient, Full-Gradient-Free Nonconvex Optimization for Nested Finite Sums [51.49970814177172]
  データセットに対する経験的リスクは、自然に$N=nm$全サンプルに類似性を示す。 我々は悲観的な収束分析を避ける分析を提供する。 我々の成果は、既存の最先端の体制を改善した。
  論文  参考訳（メタデータ） (2026-06-14T14:11:07Z)
• Scaling Federated Linear Contextual Bandits via Sketching [49.12000877146222]
  本稿では,FSCLB(Federated Sketch Contextual Linear Bandits)を提案する。 合成と実世界の両方のデータセットの実験では、FSCLBは計算と通信のコストを90%以上削減している。
  論文  参考訳（メタデータ） (2026-05-01T08:22:06Z)
• CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining [1.2964103249046104]
  継続的なグルコースモニタリングは、初期の代謝のサブフェノタイプを検出することができる。 単一ビュー表現は、デプロイがモダリティや設定を変更すると転送に失敗する。 マスク付き潜在表現を予測する自己教師型事前学習フレームワークであるX-CGM-JEPAを提案する。
  論文  参考訳（メタデータ） (2026-05-01T02:51:08Z)
• Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
  分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。 主な課題は、敵の計測と非同期である。 その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
  論文  参考訳（メタデータ） (2026-04-07T11:45:55Z)
• SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
  本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。 2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
  論文  参考訳（メタデータ） (2026-03-17T23:49:46Z)
• One-Shot Federated Ridge Regression: Exact Recovery via Sufficient Statistic Aggregation [0.7106986689736825]
  フェデレート・リッジ回帰(Federated ridge regression)は、各クライアントが局所的な十分な統計を計算し、一度送信する分散平衡問題である。 我々は、クライアント1回に1回ノイズが注入された場合の差分プライバシー保証を確立し、マルチラウンドプロトコルのプライバシを低下させる構成ペナルティを排除した。 合成ヘテロジニアス回帰の実験では、単発核融合はFedAvgの精度と一致し、通信コストは最大38時間以下であることが示されている。
  論文  参考訳（メタデータ） (2026-01-13T04:47:22Z)
• Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
  ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。 本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。 Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
  論文  参考訳（メタデータ） (2025-12-14T09:43:03Z)
• A Unified Framework for Center-based Clustering of Distributed Data [46.86543102499174]
  我々は、ユーザのネットワーク上で動作する分散センターベースのクラスタリングアルゴリズムのファミリーを開発する。 私たちのフレームワークは、$K$-meansやHuber Losといった一般的なクラスタリング損失を含む、スムーズな凸損失関数の幅広いクラスを可能にします。 ブレグマン損失の特別の場合、固定点がロイド点の集合に収束することを示す。
  論文  参考訳（メタデータ） (2024-02-02T10:44:42Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Supervised Training of Conditional Monge Maps [107.78770597815242]
  最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。 本研究では,コンテキスト変数に条件付きOTマップの族を推定するマルチタスク手法であるCondOTを紹介する。 本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
  論文  参考訳（メタデータ） (2022-06-28T19:34:44Z)
• Information-Theoretic Bounds on Transfer Generalization Gap Based on Jensen-Shannon Divergence [42.275148861039895]
  トランスファーラーニングでは、異なるデータ分布からデータセットをトレーニングし、テストする。 本研究は, 平均移動一般化ギャップに関する新しい情報理論上界を示す。
  論文  参考訳（メタデータ） (2020-10-13T11:03:25Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。