論文の概要: Structured Gaussian Processes for Uncertainty-Aware Classification of High-Dimensional, Small-Sampled Omics Data

• arxiv url: http://arxiv.org/abs/2607.02103v1
• Date: Thu, 02 Jul 2026 12:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.830422
• Title: Structured Gaussian Processes for Uncertainty-Aware Classification of High-Dimensional, Small-Sampled Omics Data
• Title（参考訳）: 高次元小サンプルオミクスデータの不確実性を考慮した構造的ガウス過程
• Abstract要約: 不均一なオミクスデータの分類は、計算生物学における根本的な課題である。 グラフ符号化された生物学的経路を直接カーネル構築に統合する構造付きガウスプロセス分類フレームワークを提案する。 提案手法を3つの公開腸および糞便マイクロバイオームデータセットでベンチマークした。
• 参考スコア（独自算出の注目度）: 5.649446622508846
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Classifying heterogeneous omics data remains a fundamental challenge in computational biology, particularly in high-dimensional, small-sample settings where nonlinear interactions dominate and class imbalance further complicates reliable prediction of minority phenotypes. While traditional kernel methods rely on feature abundance, they fail to leverage the known interaction landscapes of biological systems. In this work, we propose a structured Gaussian process classification framework that integrates graph-encoded biological pathways directly into the kernel construction. By propagating information along known interaction networks and combining this with abundance-derived features, the resulting classifier captures both quantitative measurements and topological context. We benchmark our proposed methodology on three publicly available gut and fecal microbiome datasets. To address severe class imbalance, we evaluate complementary strategies, including data-level resampling, threshold calibration, and confusion-matrix-based adjustments, and report minority-class performance alongside accuracy. The hybrid approach yields a performance gain over unstructured baselines and matches the performance of established benchmarks for similar datasets. Furthermore, the probabilistic nature of the framework naturally provides calibrated predictive uncertainty, enabling robust differentiation between confident predictions and ambiguous samples.
• Abstract（参考訳）: 不均一なオミクスデータの分類は、特に非線形相互作用が支配的であり、クラス不均衡が少数表現型の信頼性予測をさらに複雑にするような、高次元の小さなサンプル設定において、計算生物学における基本的な課題である。 従来のカーネルメソッドは特徴量に依存しているが、生物学的システムの既知の相互作用の景観を活用できない。 本研究では,グラフ符号化された生物学的経路を直接カーネル構築に統合する構造付きガウスプロセス分類フレームワークを提案する。 既知の相互作用ネットワークに沿って情報を伝達し、これを豊富な特徴と組み合わせることで、結果として得られる分類器は、定量的測定と位相的文脈の両方をキャプチャする。 提案手法を3つの公開腸および糞便マイクロバイオームデータセットでベンチマークした。 本研究は,データレベルの再サンプリング,しきい値の校正,混乱行列に基づく調整など,厳密なクラス不均衡に対応するための補完戦略を評価し,精度とともにマイノリティクラスのパフォーマンスを報告する。 ハイブリッドアプローチでは、非構造化ベースラインよりもパフォーマンスが向上し、同じデータセットに対して確立されたベンチマークのパフォーマンスにマッチする。 さらに、フレームワークの確率的性質は、キャリブレーションされた予測の不確実性を自然に提供し、自信のある予測とあいまいなサンプルの堅牢な区別を可能にする。

関連論文リスト

• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  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。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• UncertainGen: Uncertainty-Aware Representations of DNA Sequences for Metagenomic Binning [0.4666493857924358]
  メタゲノミクス・ビニング(Metagenomic binning)は、混合微生物サンプルのDNA断片をそれぞれのゲノムにまとめることを目的としている。 既存の方法は、k-merプロファイルや大きな言語モデルからの埋め込みのような決定論的表現に依存している。 本研究では,DNA断片を潜在空間の確率分布として表現した最初の確率的埋め込み手法UncertainGenを提案する。
  論文  参考訳（メタデータ） (2025-09-30T11:36:09Z)
• 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)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Enhancing Downstream Analysis in Genome Sequencing: Species Classification While Basecalling [1.0017486177151396]
  本稿では,ヌクレオチド配列の決定と並行して,シークエンシング装置からの信号のプロファイリングを行う手法を提案する。 本稿では,共有層に対するモデル重みを組み合わせて,ベースコールと分類の損失を個別にバックプロモートする新たな損失戦略を提案する。 我々は最先端のベースコール精度を達成する一方、分類精度は最先端のバイナリ分類器の結果を超えている。
  論文  参考訳（メタデータ） (2025-04-09T17:30:43Z)
• Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
  本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。 後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。 各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
  論文  参考訳（メタデータ） (2025-02-04T18:23:22Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Supervised Learning and Model Analysis with Compositional Data [4.082799056366927]
  KernelBiomeはカーネルベースの非パラメトリック回帰分類フレームワークである。 我々は、最先端の機械学習手法と比較して、同等または改善された性能を示す。
  論文  参考訳（メタデータ） (2022-05-15T12:33:43Z)
• A Novel Granular-Based Bi-Clustering Method of Deep Mining the Co-Expressed Genes [76.84066556597342]
  ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。 残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。 本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T02:04:40Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。