論文の概要: DMT-Dens: Density-preserving manifold visualization for biological data
- arxiv url: http://arxiv.org/abs/2608.17571v1
- Date: Tue, 18 Aug 2026 09:30:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.293126
- Title: DMT-Dens: Density-preserving manifold visualization for biological data
- Title（参考訳）: DMT-Dens:生体データのための密度保存多様体可視化
- Abstract要約: DMT-Densは,潜入型トランスフォーマーエンコーダ上に構築されたパラメトリックな多様体視覚化手法である。
このモデルは、階数ベースの多様体アライメントとハードペアアグリゲーションを統合する。
密度、特に生物学的データセットを保存し、競合するラベルの分離性を保持する。
- 参考スコア（独自算出の注目度）: 11.500439723088318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: Low-dimensional embeddings are widely used to explore cell-state heterogeneity in single-cell and other high-dimensional biological data. Although many methods preserve local neighborhoods, they may distort the apparent sampling density of processed observations, altering the visual contrast between dense and sparse regions and complicating the interpretation of rare, transitional, or continuous cell-state populations. Results: We present DMT-Dens, a parametric manifold-visualization method built on a latent-token Transformer encoder. The model integrates rank-based manifold alignment with hard-pair aggregation. To preserve density, it optimizes a loss based on the Pearson correlation between k-nearest-neighbor log-radius estimates in the processed input and two-dimensional embedding spaces. Benchmark evaluations demonstrate strong density preservation, particularly on biological datasets, while retaining competitive label separability. Availability: Source code, data-processing scripts, and resolved experiment configurations are available at https://github.com/Ruizhe-wang/DMT-Dens.
- Abstract（参考訳）: モチベーション(Motivation):低次元埋め込みは単細胞やその他の高次元生物学的データにおける細胞状態の不均一性の探索に広く用いられている。
多くの方法が局所的に保存されているが、処理された観察の明らかなサンプリング密度を歪め、密度とスパース領域の視覚的コントラストを変化させ、稀な、過渡的な、または連続的な細胞状態の集団の解釈を複雑にする。
結果: 潜時変圧器エンコーダ上に構築したパラメトリックな多様体視覚化手法であるDMT-Densを提案する。
このモデルは、階数ベースの多様体アライメントとハードペアアグリゲーションを統合する。
密度を維持するため、処理された入力空間と2次元埋め込み空間におけるk-アネレス近傍の対数半径の推定値とのピアソン相関に基づく損失を最適化する。
ベンチマーク評価は、特に生物学的データセットにおいて強い密度保存を示し、競合ラベルの分離性を維持している。
可用性: ソースコード、データ処理スクリプト、解決された実験構成はhttps://github.com/Ruizhe-wang/DMT-Dens.comで公開されている。
関連論文リスト
- Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - DR-SNE: Density-Regularized Stochastic Neighbor Embedding [0.0]
本稿では,正規化対数密度推定から導かれる密度正規化項を用いて,隣接する埋め込み対象を拡大する密度正規化SNE(DR-SNE)を提案する。
DR-SNEは、競合する近傍の忠実さを維持しながら密度保存を改善する。
これらの結果から,密度情報の導入は次元減少における幾何学的目的を補完するものと考えられる。
論文 参考訳（メタデータ） (2026-05-03T21:08:15Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Data-Dependent Smoothing for Protein Discovery with Walk-Jump Sampling [7.278972126771497]
拡散モデルは、ノイズ発生過程を反復的に逆転することを学ぶことによって、生成モデルの強力なクラスとして現れてきた。
高品質なサンプルを生成する能力は、高次元画像データを超えてタンパク質のような他の複雑なドメインにまで拡張されている。
本稿では,カーネル密度推定(KDE)を前処理ステップとして利用して,各データポイントに対するノイズスケール$sigma$を推定する,データ依存スムーシングウォーク・ジャンプフレームワークを提案する。
局所的なデータ幾何をデノナイズプロセスに組み込むことで,タンパク質データの均一分布を考慮に入れた。
論文 参考訳（メタデータ） (2025-09-02T08:17:59Z) - Neighbor Does Matter: Density-Aware Contrastive Learning for Medical Semi-supervised Segmentation [17.69408044083565]
我々は,特徴空間の幾何から,監督情報を直接抽出できることを論じる。
密度に基づくクラスタリング仮説に着想を得て,特徴密度を用いて特徴クラスタ内のスパース領域を特定することを提案する。
本手法は, ラベル付きおよびラベルなしデータサンプルを用いて, 特徴密度を推定し, スパース領域の同定を行う。
論文 参考訳（メタデータ） (2024-12-27T13:57:57Z) - Tabular data generation with tensor contraction layers and transformers [0.35998666903987897]
テンソル縮退層と変圧器を用いて,データ生成に埋め込み表現を用いることの可能性を検討する。
OpenML CC18スイートの複数のデータセットを対象に実施した実証的研究では,密度推定モデルと機械学習効率指標を比較した。
この結果から得られた主な特徴は、テンソル収縮層の助けを借りて埋め込み表現を利用することで密度推定の指標が向上するが、機械学習効率の観点からは競合性能は維持できるということである。
論文 参考訳（メタデータ） (2024-12-06T19:34:13Z) - Density Estimation via Binless Multidimensional Integration [45.21975243399607]
非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。
BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。
この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
論文 参考訳（メタデータ） (2024-07-10T23:45:20Z) - Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。
半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。
提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
論文 参考訳（メタデータ） (2024-03-11T06:59:05Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。
本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。
提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
論文 参考訳（メタデータ） (2021-07-02T02:13:45Z) - Density-Aware Graph for Deep Semi-Supervised Visual Recognition [102.9484812869054]
半教師付き学習(SSL)は、視覚認識のためのディープニューラルネットワークの一般化能力を改善するために広く研究されている。
本稿では,周辺情報を容易に活用できる新しい密度対応グラフを構築することでSSL問題を解決することを提案する。
論文 参考訳（メタデータ） (2020-03-30T02:52:40Z)
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。