論文の概要: CosMAP: Contrastive Manifold Approximation and Projection for Dimensionality Reduction of Omics and Genealogical Data

• arxiv url: http://arxiv.org/abs/2608.11269v1
• Date: Tue, 11 Aug 2026 00:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.314883
• Title: CosMAP: Contrastive Manifold Approximation and Projection for Dimensionality Reduction of Omics and Genealogical Data
• Title（参考訳）: CosMAP:OmicsとGenealogical Dataの次元化のための対照的なマニフォールド近似と投影
• Abstract要約: グラフに基づく非教師付き次元差分法であるContrastive Manifold Approximation and Projection (CosMAP)を紹介する。 我々は,MNISTおよびUSPS手書きデジタルデータセット,マウス網膜および大脳皮質単細胞RNA配列データセット,および大規模な血縁関係データセットについてCosMAPを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Omics datasets, particularly single-cell RNA sequencing data, are high-dimensional, sparse, noisy, and dominated by zero values, making faithful low-dimensional representation challenging. Existing dimensionality-reduction methods may distort local neighbourhoods, global organization, or the cohesion of meaningful populations, with similar limitations arising in genealogical data. We introduce Contrastive Manifold Approximation and Projection (CosMAP), a graph-based unsupervised dimensionality-reduction method for producing faithful and interpretable embeddings. CosMAP extends the graph-based framework of UMAP by combining cosine-similarity neighbourhoods with temperature-normalized contrastive affinities, which are optimized in the embedding space using an attractive--repulsive objective. It further employs a two-phase refinement strategy: an intermediate higher-dimensional representation is first learned and then used to reconstruct the neighbourhood graph and initialize the final low-dimensional embedding. We evaluate CosMAP on MNIST and USPS handwritten-digit datasets, mouse retina and cortex single-cell RNA-sequencing datasets, and a large genealogical kinship dataset derived from BALSAC-CARTaGENE. Compared with state-of-the-art dimensionality-reduction methods, CosMAP produces more coherent visual representations, improves neighbourhood preservation, and provides clearer global organization of digit classes, biological cell populations, and regional genealogical patterns. These results indicate that CosMAP offers a robust framework for exploratory analysis of complex, sparse, high-dimensional data. The implementation is publicly available at https://github.com/FenosoaRandrianjatovo/CosMAP-dr.
• Abstract（参考訳）: オミクスデータセット、特に単細胞RNAシークエンシングデータは、高次元でスパースでノイズが多く、ゼロ値が支配的であり、忠実な低次元表現を困難にしている。 既存の次元還元法は、近辺、グローバルな組織、あるいは有意義な集団の結束を歪めてしまう可能性がある。 本稿では,忠実で解釈可能な埋め込みを生成するためのグラフベースの非教師付き次元性還元法であるContrastive Manifold Approximation and Projection (CosMAP)を紹介する。 CosMAPは、コサイン類似の近傍と温度正規化コントラスト親和性を組み合わせることで、UMAPのグラフベースのフレームワークを拡張している。 中間的な高次元表現をまず学習し、次に近隣グラフを再構築し、最後の低次元埋め込みを初期化する。 我々は、MNISTおよびUSPS手書きデジタルデータセット、マウス網膜および大脳皮質単細胞RNA配列データセット、およびBALSAC-CARTaGENE由来の大規模な血縁関係データセットについて、CosMAPを評価した。 最先端の次元還元法と比較すると、CosMAPはよりコヒーレントな視覚表現を生成し、近隣の保存を改善し、ディジットクラス、生物学的細胞集団、地域系図のより明確なグローバルな構成を提供する。 これらの結果から,CosMAPは複雑でスパースな高次元データの探索的分析のための堅牢なフレームワークを提供することが示された。 実装はhttps://github.com/FenosoaRandrianjatovo/CosMAP-drで公開されている。

関連論文リスト

• cGAP: Generalized Association Plots with HOMALS-Guided Heatmaps for Visualization of High-Dimensional Categorical Data [1.4377432769428207]
  cGAP (Catagorical Generalized Association Plots) は、名前、順序、およびバイナリデータのための視覚化フレームワークである。 cGAPはホモジニティ解析(HOMALS)を用いて3次元ユークリッド空間に対象とカテゴリレベルを埋め込む。 導出された視覚構造と元の分類学的観察とのトレーサビリティを維持することにより,cGAPが透明な探索解析をどのようにサポートするかを示す。
  論文  参考訳（メタデータ） (2026-07-16T14:05:37Z)
• Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
  本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。 我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。 その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
  論文  参考訳（メタデータ） (2026-06-20T22:34:29Z)
• Self-Organizing Maps with Optimized Latent Positions [0.0]
  本稿では,各データポイントに対して連続的な潜伏位置を導入する客観的な地形マッピング手法を提案する。 合成サドル多様体の実験、ディジットとMNISTデータセットのスケーラビリティの研究、16のベンチマークデータセットは、SOM-OLPが競合する近傍保存と量子化性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-15T08:42:49Z)
• Inductive Global and Local Manifold Approximation and Projection [5.629705943815797]
  まず,次元縮小と高次元データ可視化のための新しい多様体学習法であるGLoMAPを提案する。 我々はGLoMAPをインダクティブ版iGLoMAPに拡張し、ディープニューラルネットワークを用いてデータを低次元表現にマッピングする。 我々は,GLoMAPとiGLoMAPの両方をシミュレーションおよび実データ設定に適用し,最先端手法に対する競合実験を行った。
  論文  参考訳（メタデータ） (2024-06-12T11:22:27Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with Coherent Embeddings [1.7188280334580195]
  本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。 提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
  論文  参考訳（メタデータ） (2021-09-22T06:45:37Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。