論文の概要: Improving scDiffusion with Sparsity-Biased Classifier-Free Guidance
- arxiv url: http://arxiv.org/abs/2607.29043v1
- Date: Fri, 31 Jul 2026 05:46:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.628233
- Title: Improving scDiffusion with Sparsity-Biased Classifier-Free Guidance
- Title（参考訳）: 疎度バイアス付き分類器自由誘導による scDiffusion の改善
- Abstract要約: 本稿では,scRNA-seq 生成のためのスペーサバイアス型分類器フリーガイダンス (SB-CFG) 戦略を提案する。
SB-CFGは、仮定された「中立」境界分布を近似するのではなく、意図的に非条件分岐に対する非形式的スパース参照を導入する。
この"悪い"参照は条件付きと条件なしの予測のコントラストを増幅し、サンプリング中により強く効果的なガイダンスをもたらす。
- 参考スコア（独自算出の注目度）: 13.686193948598897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-cell RNA sequencing (scRNA-seq) has become an essential tool in modern cellular biology, and generating accurate synthetic scRNA-seq data is becoming increasingly important. Although diffusion models have achieved promising results in conditional scRNA-seq generation, existing guidance strategies, including classifier guidance and classifier-free guidance (CFG), rely on an unconditional branch trained to approximate the true marginal distribution, which may retain substantial gene-specific structure and limit guidance effectiveness. Inspired by recent work showing that diffusion models can be effectively guided using intentionally degraded references, we propose a sparsity-biased classifier-free guidance (SB-CFG) strategy for scRNA-seq generation. Rather than approximating the assumed "neutral" marginal distribution, SB-CFG introduces a deliberately under-informative sparse reference for the unconditional branch, removing gene identity while preserving only coarse sparsity statistics. This "bad" reference amplifies the contrast between conditional and unconditional predictions, leading to stronger and more effective guidance during sampling. We evaluated SB-CFG as a training-free sampling modification on five publicly available scRNA-seq datasets. Experimental results demonstrate consistent improvements over standard CFG-based sampling in terms of marker gene expression fidelity, cell-type consistency, and sparsity preservation, indicating that SB-CFG better captures biologically meaningful gene expression patterns.
- Abstract（参考訳）: 単一細胞RNAシークエンシング(scRNA-seq)は、現代の細胞生物学において重要なツールとなり、正確な合成scRNA-seqデータを生成することがますます重要になっている。
拡散モデルは、条件付きscRNA-seq生成において有望な結果を得たが、分類器ガイダンスや分類器フリーガイダンス(CFG)を含む既存のガイダンス戦略は、真の限界分布を近似するために訓練された無条件分岐に依存しており、遺伝子固有の構造と制限ガイダンスの有効性を維持している。
拡散モデルが意図的に劣化した参照を用いて効果的に導出可能であることを示す最近の研究から着想を得て、scRNA-seq生成のための空間バイアス型分類器フリーガイダンス(SB-CFG)戦略を提案する。
SB-CFGは、仮定された「中立的」辺縁分布を近似する代わりに、無条件分岐に対する意図的に非形式的スパース参照を導入し、粗いスパース性統計のみを保持しながら遺伝子アイデンティティを除去する。
この"悪い"参照は条件付きと条件なしの予測のコントラストを増幅し、サンプリング中により強く効果的なガイダンスをもたらす。
我々は、SB-CFGを5つの公開ScRNA-seqデータセットのトレーニング不要サンプリング修正として評価した。
その結果,SB-CFGが生物学的に有意な遺伝子発現パターンをよりよく捉え,マーカー遺伝子発現の忠実度,細胞型整合性,空間保存性といった点において,標準CFGに基づくサンプリングよりも一貫した改善が見られた。
関連論文リスト
- CoDiffGRN: Rethinking Gene Regulatory Network Inference via the BEELINE-KGC Benchmark and Co-evolutionary Discrete Diffusion [20.970593459575756]
単一細胞転写データから遺伝子制御ネットワーク(GRN)を推定することは生物学的発見に不可欠である。
我々は、GRN推論を帰納的、ランキング中心のグラフ補完問題として再構成する。
textbfbenchmarkは、インダクティブな遺伝子保持分割と知識グラフ補完メトリクスを組み合わせた新しいベンチマークである。
論文 参考訳（メタデータ） (2026-07-14T16:07:23Z) - BRIDGE: Biological Evidence Refinement and Heterogeneous Dynamic Gating for Gene Regulatory Networks [25.29216866424431]
遺伝子制御ネットワーク(BRIDGE)のためのバイオエビデンス・リファインメントと異種動的ゲーティングという革新的なフレームワークを提案する。
BRIDGEは、発現マトリックスとそのマトリックス双対から遺伝子および細胞表現を抽出し、自己と隣人の間の遺伝子空間と細胞空間においてコントラスト学習を行う。
その後、遺伝子と細胞間の情報伝達を適応的に制御するために異種ゲートエンコーディングを適用し、堅牢な転写因子からターゲットへの遺伝子予測を可能にする。
論文 参考訳（メタデータ） (2026-06-02T11:54:36Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。
RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。
スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
論文 参考訳（メタデータ） (2026-05-12T06:48:58Z) - Adversarial Domain Adaptation Enables Knowledge Transfer Across Heterogeneous RNA-Seq Datasets [2.0755366440393743]
ディープラーニングモデルは、古典的な機械学習アプローチを上回る可能性を示している。
転写学では、そのようなデータセットは頻繁に制限され、過度に適合し、一般化が不十分になる。
本稿では,大規模な汎用データセットから,がんタイプ分類のためのより小さなデータセットへの効果的な知識伝達を可能にする,ディープラーニングに基づくドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-09T07:55:32Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - LapDDPM: A Conditional Graph Diffusion Model for scRNA-seq Generation with Spectral Adversarial Perturbations [1.0377683220196872]
安定かつ高忠実な scRNA-seq 生成のための条件付きグラフ拡散確率モデルである LapDDPM を導入する。
我々は,複雑なscRNA-seq分布からの効果的な学習と生成のための条件付きスコアベースモデルを開発した。
多様なscRNA-seqデータセットの実験は、LapDDPMの優れた性能を示し、高い忠実性を実現し、生物学的に証明可能な細胞型特異なサンプルを生成する。
論文 参考訳（メタデータ） (2025-06-16T10:35:32Z) - Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。
NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。
NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
論文 参考訳（メタデータ） (2025-05-27T13:30:46Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z)
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。