論文の概要: HiFiC-G: Adapting HiFiC for Hi-C Contact Matrices
- arxiv url: http://arxiv.org/abs/2608.21446v1
- Date: Wed, 19 Aug 2026 13:08:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.110801
- Title: HiFiC-G: Adapting HiFiC for Hi-C Contact Matrices
- Title（参考訳）: HiFiC-G:HiFiCに適応したHi-Cコンタクトマトリックス
- Abstract要約: 本研究では,HiFiC (High-Fidelity Generative Image Compression) の損失設計が生物学的に意味のある構造に適応できるかどうかを検討する。
HiFiC-Gは、ストリップとTAD境界を意味するローカル構造を保存する。
- 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: We study whether the loss design of High-Fidelity Generative Image Compression (HiFiC), a GAN-based neural codec originally built for natural photographs, can be adapted to preserve biologically meaningful structure in Hi-C chromatin contact maps under lossy compression. Standard image compression, including HiFiC in its original form, optimizes for human visual perception; but a Hi-C contact map is normally distributed together with its numeric matrix file (.cool/.mcool), which downstream genomic analysis tools consume directly. Aggressive compression that looks acceptable to the eye can nonetheless blur or delete loops and topologically associating domain (TAD) boundaries that these tools depend on. We modify HiFiC's distortion term with a spatially-weighted MSE that up-weights biologically salient regions (loops, TAD boundaries, stripes, compartment structure) and add an insulation-score loss term that directly penalizes loss of TAD boundary sharpness. We describe a three-phase fine-tuning strategy that adapts a pretrained HiFiC checkpoint to the Hi-C domain without catastrophic forgetting. We evaluate the resulting system, HiFiC-G, using both conventional image-quality metrics (PSNR, SSIM) and genomics-domain preservation metrics (loop/TAD/compartment/stripe preservation percentage) across two cell lines. HiFiC-G preserves local structure, meaning stripes and TAD boundaries, substantially better than the metrics alone would suggest, while long-range A/B compartment structure remains poorly preserved; we show this gap tracks genomic scale and is consistent with a specific architectural cause, the fixed-size tiling that both HiFiC-G and the original HiFiC rely on for memory efficiency.
- Abstract（参考訳）: 自然写真用に開発されたGANベースのニューラルコーデックであるHiFiC(High-Fidelity Generative Image Compression)の損失設計が、損失圧縮下でのHi-Cクロマチン接触マップにおいて生物学的に有意な構造を維持できるかどうかを考察する。
HiFiCを含む標準画像圧縮は、人間の視覚知覚を最適化するが、Hi-Cコンタクトマップは、通常、下流のゲノム解析ツールが直接消費する数値行列ファイル(.cool/.mcool)と共に配布される。
目に受け入れられる攻撃的な圧縮は、ループをぼかしたり削除したりしても、これらのツールが依存する領域(TAD)の境界をトポロジ的に関連付けることができる。
生物学的に有意な領域(ループ,TAD境界,ストライプ,コンパートメント構造)をアップウェイトする空間重み付きMSEを用いてHiFiCの歪み項を修正し,TAD境界シャープネスの損失を直接罰する断熱損失項を追加する。
破滅的な忘れを伴わずに,HiFiCチェックポイントをHi-Cドメインに適応させる3相微調整戦略について述べる。
従来の画像品質指標 (PSNR, SSIM) とゲノムドメイン保存指標 (ループ/TAD/コンパートメント/ストリップ保存率) を用いて, 得られたHiFiC-Gの評価を行った。
HiFiC-Gは局所構造(ストリップとTAD境界)を保ちながら、長い範囲のA/Bコンパートメント構造はいまだに保存されていないが、ヒフィC-GとオリジナルのHiFiCの両方がメモリ効率に頼っている固定サイズのタイリングであるゲノムスケールと一致していることを示す。
関連論文リスト
- Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation [71.49439535846827]
Conditional Channel Generation (CCPG) は、動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインである。
CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、軽量なLoRA重みのみを生成する。
CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回の前進パスで約3秒で新しいシナリオに適応することを示している。
論文 参考訳（メタデータ） (2026-06-22T13:20:01Z) - Latent Geometric Chords for Query-Efficient Decision-Based Adversarial Attacks [3.7349625042626546]
決定に基づく敵攻撃は深刻なセキュリティ上の脅威をもたらす。
現在の方法論は基本的な限界に悩まされている。
変種LGC-Hと共に潜時幾何攻撃を提案する。
論文 参考訳（メタデータ） (2026-05-29T12:25:15Z) - Adaptive Data Compression and Reconstruction for Memory-Bounded EEG Continual Learning [0.0]
教師なし個別連続学習(UICL)のための適応データ圧縮・再構成(ADaCoRe)を提案する。
ADaCoReは、サリエンシ駆動のパーソナライゼーション保護、有理多相圧縮、保護された指標に対する動詞による副次再構成、適応的初期維持のためのプロトタイプ-自信選択からなるメモリ効率の高いパイプラインである。
論文 参考訳（メタデータ） (2026-05-04T18:59:35Z) - DiRe-RAPIDS: Topology-faithful dimensionality reduction at scale [47.983130047068165]
最上級の埋め込みがデータから欠落するサイクルや島々を創出することを示す。
723K arXiv 紙の埋め込みでは、DiRe は UMAP の3.4倍の位相構造を保存している。
論文 参考訳（メタデータ） (2026-04-28T04:28:22Z) - LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。
本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。
実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
論文 参考訳（メタデータ） (2026-03-30T13:39:35Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation [13.650721192161079]
境界のあいまいさを解消し,グローバルな構造的整合性を維持するために,AACNet(Anatomy Aware Cascade Network)を提案する。
AACNetは90.17 %のDice類似度係数と95%のHausdorff Distanceの3.63 mmを実現し,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2026-01-12T12:53:27Z) - Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。
JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。
本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
論文 参考訳（メタデータ） (2025-03-14T17:01:17Z) - Generative Adversarial Networks for Spatio-Spectral Compression of Hyperspectral Images [5.1333521217181755]
ハイパースペクトル画像(HSI)の圧縮のためのディープラーニングモデル
圧縮HSIにおける3DSSC(HiFiC_3D$)を用いたHiFiCブロックとHiFiCブロック(HiFi_CSE$)の2つの新しいモデルを導入する。
論文 参考訳（メタデータ） (2023-05-15T10:23:14Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳（メタデータ） (2022-05-20T11:37:44Z)
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。