論文の概要: CohortHijack: Robustness of Single Cell Annotation to Companion Cell Removal

• arxiv url: http://arxiv.org/abs/2608.05900v1
• Date: Thu, 06 Aug 2026 11:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.893895
• Title: CohortHijack: Robustness of Single Cell Annotation to Companion Cell Removal
• Title（参考訳）: CohortHijack: コンパニオン細胞除去に対する単一細胞アノテーションのロバスト性
• Abstract要約: クエリコホートから選択した非ターゲット細胞を除去するロバストネス監査であるCohortHijackを紹介する。 PBMC3KとPaul15では,無作為かつ構造化された除去法と,グリージー,マルチスタート,ビームサーチを併用して評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many single-cell annotation tools refine an initial cell label using nearby cells or cluster-level voting. We study whether this refinement can be manipulated without changing the target cell. We introduce CohortHijack, a robustness audit that removes selected non-target cells from the query cohort while preserving the target expression profile, base prediction, and trained model. We evaluate random and structured removal methods, together with greedy, multi-start, and beam search, on PBMC3K and Paul15 using logistic regression and calibrated linear SVM classifiers. Structured removal was consistently stronger than random removal on Paul15. Multi-start search changed 24.33% of linear-SVM targets and 19.67% of logistic-regression targets while removing a small fraction of the cohort and keeping mean collateral changes below 0.4%. Ablations confirmed that the effect disappeared when neighborhood refinement was disabled. We also evaluated CellTypist majority voting, where independent predictions remained unchanged across all evaluations, but refined labels changed after small companion-cell removals. These findings identify query cohort composition as a target-preserving attack surface in single-cell annotation.
• Abstract（参考訳）: 多くの単細胞アノテーションツールは、近くのセルやクラスタレベルの投票を使って初期セルラベルを洗練させる。 我々は,この改良が標的細胞を変更せずに操作できるかどうか検討した。 我々は、ターゲット表現プロファイル、ベース予測、トレーニングされたモデルを維持しながら、クエリコホートから選択された非ターゲット細胞を除去するロバストネス監査であるCohortHijackを紹介する。 PBMC3KとPaul15では,ロジスティック回帰と校正線形SVM分類器を用いて,グリージー,マルチスタート,ビームサーチとともにランダムかつ構造化された除去手法の評価を行った。 構造的除去はポール15のランダム除去よりも一貫して強かった。 マルチスタートサーチでは、線形SVMターゲットの24.33%、ロジスティック回帰ターゲットの19.67%が変更され、コホートのごく一部が取り除かれ、平均コラテラルが0.4%を下回った。 アブレーションは、近隣の精錬が無効になったときに効果が消えたことを確認した。 また,CellTypistの多数投票では,すべての評価において独立予測が変わらず,小さめのコンパニオン細胞除去後にラベルが変化した。 これらの結果から,クエリコホート構成を単一セルアノテーションのターゲット保存攻撃面として同定した。

関連論文リスト

• Score Distributions, Not Cells: Evaluating Single-Cell Perturbations Under Class Overlap [0.09558392439655013]
  2つの摂動によって異なる細胞の集団が生成され、同時に個々の細胞がどちらの細胞に属しているかが重なり合う。 セル毎の精度はモデルの品質よりもこの重複を測定する。 この修正は、細胞によってではなく、全人口の摂動を評価することである。
  論文  参考訳（メタデータ） (2026-07-06T01:47:02Z)
• PerturbCellRL: Verifier-Guided Reinforcement Learning for Single-Cell Perturbation Prediction [28.013973806760976]
  単細胞摂動モデルは、細胞が介入にどのように反応するかを予測することによって、コストのかかるウェットラブスクリーニングを減らすことができる。 PerturbCellRLは、事前訓練された単細胞転写生成器をポストトレーニングする強化学習フレームワークである。 複数の遺伝的および化学的摂動ベンチマークを用いてPerturbCellRLを評価した。
  論文  参考訳（メタデータ） (2026-06-26T06:15:04Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Benchmarking and optimizing organism wide single-cell RNA alignment methods [0.0]
  K-Neighbors Intersection (KNI) スコアは,バッチ効果をペナライズし,セル型ラベル予測の精度を計測する単一スコアである。 本稿では,逆算学習を用いて,エンコーダとデコーダのバッチ効果をペナルライズするScVIの新たな変種として,Batch Adversarial Single-cell Variational Inference (BA-scVI)を紹介した。 得られたアライメント空間では, 細胞型グルーピングの粒度が保存され, 情報を失うことなく, 有機体型マップを単一モデルで作成できるという概念が支持される。
  論文  参考訳（メタデータ） (2025-03-26T17:11:47Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• 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)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。