論文の概要: Transfer Learning in High-Dimensional Clustering: Minimax Thresholds and Applications in Single-Cell Data

• arxiv url: http://arxiv.org/abs/2607.25031v1
• Date: Mon, 27 Jul 2026 19:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.609966
• Title: Transfer Learning in High-Dimensional Clustering: Minimax Thresholds and Applications in Single-Cell Data
• Title（参考訳）: 高次元クラスタリングにおける転送学習:単一セルデータにおけるミニマックス閾値と応用
• Abstract要約: クラスタリングは統計学における基本的な問題であり、多くの科学分野にまたがる応用がある。 クラスタリングを含む多くの現代的なアプリケーションでは、プライマリデータセット(ターゲットデータ)には関連するデータセット(ソースデータ)が付属している。 我々は,最小最大移動支援クラスタリング法を開発し,対数的要因まで,一貫したターゲットクラスタリングのための位相遷移を特徴付ける。
• 参考スコア（独自算出の注目度）: 3.8552182839941893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering is a fundamental problem in statistics, with applications across many scientific disciplines. In many modern applications involving clustering, the primary dataset (the target data) is accompanied by related datasets (the source data). Transferring information from such sources may improve clustering accuracy in the target, making transfer learning for clustering practically important. Despite recent progress, the conditions under which source data improve target clustering remain unclear in high-dimensional settings, even for the canonical Gaussian mixture model. In this paper, we study the clustering problem in a two-community Gaussian mixture model where relatedness is captured by the geometric alignment of the target and source cluster means. We develop a minimax-optimal transfer-assisted clustering procedure and characterize, up to logarithmic factors, the phase transition for consistent target clustering in terms of the signal-to-noise ratios, sample sizes, ambient dimension, and degree of alignment between the datasets. The technique is also extended to adaptively choose between the target-only or the source assisted clustering depending on the target signal strength. Furthermore, we also extend our techniques to accommodate multiple communities and and multiple source datasets. Extensive simulations and an analysis of a human lung single-cell RNA-sequencing atlas demonstrate the practical effectiveness of our methods.
• Abstract（参考訳）: クラスタリングは統計学における基本的な問題であり、多くの科学分野にまたがる応用がある。 クラスタリングを含む多くの現代的なアプリケーションでは、プライマリデータセット(ターゲットデータ)には関連するデータセット(ソースデータ)が付属している。 このようなソースからの情報を転送することで、ターゲットのクラスタリング精度が向上し、クラスタリングのための転送学習が極めて重要である。 近年の進展にもかかわらず、ガウス混合モデルであっても、高次元設定では、ソースデータがターゲットクラスタリングを改善する条件は不明確である。 本稿では、ターゲットとソースのクラスタ手段の幾何的アライメントによって関連性を捉える2つのコミュニティ・ガウス混合モデルにおけるクラスタリング問題について検討する。 我々は,信号対雑音比,サンプルサイズ,周囲寸法,データセット間のアライメント度の観点から,最小最大移動支援クラスタリング法を開発し,対数的要因まで,一貫したターゲットクラスタリングの位相遷移を特徴付ける。 また、ターゲット信号強度に応じて、ターゲットオンリーまたはソースアシストクラスタリングを適応的に選択するように拡張する。 さらに、複数のコミュニティと複数のソースデータセットに対応できるように、我々の技術も拡張します。 ヒト肺単細胞RNAシークエンシングアトラスの広範囲なシミュレーションと解析により,本手法の有効性を実証した。

関連論文リスト

• Clustering by Attention: Leveraging Prior Fitted Transformers for Data Partitioning [3.4530027457862005]
  メタラーニングに基づく新しいクラスタリング手法を提案する。 我々は,クラスタリングを行うために事前学習したPFN(Predior-Data Fitted Transformer Network)を用いている。 我々の手法は最先端のクラスタリング技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-27T17:53:19Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms [0.0]
  我々は,最小記述長(MDL)原理と遺伝的最適化アルゴリズムを組み合わせたロバストクラスタリングフレームワークを提案する。 このフレームワークは、初期クラスタリングソリューションを生成するためのアンサンブルクラスタリングアプローチから始まり、MDL誘導評価関数を使用して洗練され、遺伝的アルゴリズムによって最適化される。 実験の結果,従来のクラスタリング手法を一貫して上回り,精度の向上,安定性の向上,バイアス低減を実現している。
  論文  参考訳（メタデータ） (2024-11-26T20:26:14Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Dirichlet Process-based Robust Clustering using the Median-of-Means Estimator [16.774378814288806]
  本稿では,モデルに基づく手法とセントロイド方式の長所を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。 本手法は,クラスタリングの品質に及ぼすノイズの影響を緩和するが,同時にクラスタ数を推定する。
  論文  参考訳（メタデータ） (2023-11-26T19:01:15Z)
• Transferable Deep Clustering Model [14.073783373395196]
  本稿では,データサンプルの分布に応じてクラスタセントロイドを自動的に適応できる,転送可能な新しいディープクラスタリングモデルを提案する。 提案手法では, 試料との関係を計測することで, センチロイドを適応できる新しい注意型モジュールを提案する。 合成および実世界の両方のデータセットに対する実験結果から,提案した移動学習フレームワークの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-10-07T23:35:17Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Augmented Data as an Auxiliary Plug-in Towards Categorization of Crowdsourced Heritage Data [2.609784101826762]
  本稿では,データ拡張を補助プラグインとして導入することで,非効率なクラスタリング性能の問題を緩和する戦略を提案する。 我々は、深層クラスタリングのための新しいモデルとして初期特徴空間を構築するために、拡張データを用いた畳み込みオートエンコーダ(CAE)の変種を訓練する。
  論文  参考訳（メタデータ） (2021-07-08T14:09:39Z)
• Elastic Coupled Co-clustering for Single-Cell Genomic Data [0.0]
  シングルセル技術により、前例のない解像度でゲノム機能をプロファイルできるようになった。 データ統合はクラスタリングアルゴリズムのパフォーマンスを向上させる可能性がある。 本研究では,教師なしの移動学習フレームワークで問題を定式化する。
  論文  参考訳（メタデータ） (2020-03-29T08:21:53Z)

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。