論文の概要: Disentangled Shared Representations Improve Morpho-Transcriptomic Integration
- arxiv url: http://arxiv.org/abs/2608.14355v1
- Date: Fri, 14 Aug 2026 14:56:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.410324
- Title: Disentangled Shared Representations Improve Morpho-Transcriptomic Integration
- Title（参考訳）: 遠方共有表現はモルフォ・トランスクリプトーム統合を改善する
- Abstract要約: 本研究では,空間転写学データの多モーダル表現学習において,共有およびプライベートの遅延成分の明示的乱れが改善するか否かを考察する。
2つのがんコホートに対して,VAEと対照的なアプローチを比較した。
その結果,共有情報とモダリティ情報を明確に分解することで,空間転写学のマルチモーダル表現学習が向上することが示唆された。
- 参考スコア（独自算出の注目度）: 0.03365890087006799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial transcriptomics (ST) enables the simultaneous profiling of gene expression and tissue morphology, creating an opportunity to learn multimodal representations capturing shared morpho-transcriptomic structure. However, standard multimodal models often compress modalities into a common latent space without explicitly separating shared and modality-specific sources of variation, which may limit downstream utility. We investigate whether explicit disentanglement of shared and private latent components improves multimodal representation learning for paired Hematoxylin \& Eosin (H\&E) and ST data. We compare VAE-based and contrastive approaches, each in standard and disentangled variants, across two cancer cohorts under matched experimental conditions. Representations are evaluated using cross-modal reconstruction, downstream probing and cross-modal probe transfer. The experiments suggest two main trends. First, contrastive objectives yield higher downstream probing performance than VAE-based models. Second, disentangled variants improve the selected reconstruction and probing metrics, although the gains depend on the model family, task, direction, and disentanglement strength. Overall, our results suggest that explicitly factorizing shared and modality-specific information can improve multimodal representation learning for spatial transcriptomics and provides a useful evaluation framework for future foundation models.
- Abstract（参考訳）: 空間転写学(ST)は、遺伝子発現と組織形態の同時プロファイリングを可能にし、共有形態・転写構造を捉えるマルチモーダル表現を学習する機会を生み出す。
しかし、標準のマルチモーダルモデルは、しばしばモダリティを共通の潜在空間に圧縮し、共有およびモダリティ固有の変分源を明示的に分離することなく、下流の効用を制限することができる。
共用および共用の潜伏成分の明示的乱れが, 組合わせヘマトキシリン・エオシン(H\&E)とSTデータのマルチモーダル表現学習を改善するか否かを検討する。
一致した実験条件下での2つのがんコホートに対して,VAEおよび対照的なアプローチをそれぞれ標準および非アンタングル変種で比較した。
表現は、クロスモーダル再構成、下流探査、クロスモーダルプローブ転送を用いて評価される。
実験は2つの主要な傾向を示唆している。
第一に、対照的な目的は、VAEベースのモデルよりも下流の探索性能が高い。
第二に、切り離された変種は選択された復元と探索の指標を改善するが、利得はモデルファミリー、タスク、方向、切り離し強度に依存する。
全体として,共有情報やモダリティ特化情報を明示的に分解することで,空間転写学のマルチモーダル表現学習が向上し,将来の基盤モデルに有用な評価フレームワークを提供する可能性が示唆された。
関連論文リスト
- Posterior Samplings are Missing Modalities Generators for Medical Image Translation [0.0]
連立分布下での線形逆問題として欠落モダリティ生成を定式化する統一的枠組みを提案する。
完全モダリティ集合に先立って関節を学習することにより,提案手法は推定時に任意のモダリティを再構成することができる。
BraTS と IXI データセットを用いた実験により,本手法は,ほとんどの欠落したモダリティシナリオにおいて,ベースラインよりも最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-07-21T06:41:44Z) - DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。
本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
論文 参考訳（メタデータ） (2026-05-13T20:43:29Z) - Attention-Based Multimodal Survival Prediction with Cross-Modal Bilinear Fusion [1.4203297056262238]
患者レベル生存予測のための新しいディープラーニングフレームワークを提案する。
全スライディング組織学の特徴、RNA-seq発現プロファイル、臨床変数を統合している。
我々のアーキテクチャは、スライドレベルの表現のためのAMMILモジュールciteilse2018アテンションと、RNAおよび臨床データのためのフィードフォワードエンコーダを組み合わせたものである。
論文 参考訳（メタデータ） (2026-05-12T13:09:25Z) - From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space [78.36537400975298]
グループ相対政策最適化(GRPO)は、テキスト・ツー・イメージ(T2I)フローモデルにおいて、優先順位調整のための強力なフレームワークとして登場した。
条件空間を拡大することで関係探索を強化する新しい手法であるMulti-View GRPOを提案する。
MV-GRPOは最先端手法よりも優れたアライメント性能を実現する。
論文 参考訳（メタデータ） (2026-03-13T04:35:13Z) - AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。
本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。
AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:09:31Z) - Bridging the inference gap in Mutimodal Variational Autoencoders [6.246098300155483]
マルチモーダル変分オートエンコーダは、観測されたモダリティから観測されていないモダリティを生成するための多目的でスケーラブルな方法を提供する。
エキスパートの混合集合を用いた最近のモデルは、複雑なデータセットにおける生成品質を制限する理論的に基礎的な制限に悩まされている。
本稿では,混合アグリゲーションを導入することなく,結合分布と条件分布の両方を学習できる新しい解釈可能なモデルを提案する。
論文 参考訳（メタデータ） (2025-02-06T10:43:55Z) - Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。
本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
論文 参考訳（メタデータ） (2024-03-15T17:23:38Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z) - Generalizing Multimodal Variational Methods to Sets [35.69942798534849]
本稿では,マルチモーダル潜在空間を学習するために,Set Multimodal VAE(SMVAE)と呼ばれる新しい変分法を提案する。
共同モダリティ後部分布を直接モデル化することにより、提案したSMVAEは、複数のモダリティ間で情報を交換し、分解による欠点を補うことを学習する。
論文 参考訳（メタデータ） (2022-12-19T23:50:19Z) - Learning Multimodal VAEs through Mutual Supervision [72.77685889312889]
MEMEは、相互監督を通じて暗黙的にモダリティ間の情報を結合する。
我々は、MEMEが、部分的および完全観察スキームの双方で標準メトリクスのベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2021-06-23T17:54:35Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z)
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。