論文の概要: TI$^2$PS: A Topology-Informed Inverse Design Framework for Stochastic Multicellular Pattern Formation

• arxiv url: http://arxiv.org/abs/2608.27931v1
• Date: Fri, 28 Aug 2026 05:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.21097
• Title: TI$^2$PS: A Topology-Informed Inverse Design Framework for Stochastic Multicellular Pattern Formation
• Title（参考訳）: TI$^2$PS:確率的多細胞パターン形成のための位相インフォームド逆設計フレームワーク
• Abstract要約: 本研究ではエージェントベースモデル(ABM)を用いた標的多細胞パターンの再現のためのパラメータ推定手法を提案する。 ベティベクトルと逆代理モデリングの2つのアプローチを統合する。 その結果,本フレームワークはABMパラメータの推定に成功し,PointNet++などの従来の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 5.61862526543585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a novel framework to estimate parameters for reproducing target multicellular patterns using an agent-based model (ABM). Two major challenges in multicellular ABMs are estimating cell-level parameters (agent-specific variables) and quantitatively evaluating the topological characteristics of multicellular arrangements under stochastic cell proliferation and death. To address these challenges, we integrate two approaches: Betti vectors and inverse surrogate modeling. The Betti vectors obtained through topological data analysis can consistently represent features of a wide range of multicellular spatial configurations. The inverse surrogate modeling enables direct inference of the corresponding ABM parameters from the target patterns. We validated the proposed framework using zebrafish pigment pattern formation, a representative model of pattern formation driven by multicellular interactions. The results demonstrate that our framework successfully estimates ABM parameters and outperforms conventional methods such as PointNet++. Notably, the proposed method, which used only 10% of the training data, outperformed PointNet++, which used 100% of the data, across all evaluation metrics.
• Abstract（参考訳）: 本研究では,エージェントベースモデル(ABM)を用いて,ターゲットの多細胞パターンを再現するためのパラメータを推定する新しい枠組みを提案する。 多細胞ABMの2つの大きな課題は、細胞レベルパラメータ(エージェント特異的変数)を推定し、確率的細胞増殖と死における多細胞配列の位相的特性を定量的に評価することである。 これらの課題に対処するために、ベティベクトルと逆代理モデリングという2つのアプローチを統合する。 トポロジカルデータ解析によって得られたベティベクトルは、幅広い多細胞空間構成の特徴を一貫して表すことができる。 逆代理モデリングにより、ターゲットパターンから対応するABMパラメータを直接推測することができる。 細胞間相互作用によるパターン形成の代表的なモデルであるゼブラフィッシュ色素パターン形成法を用いて,提案手法の有効性を検証した。 その結果,本フレームワークはABMパラメータの推定に成功し,PointNet++などの従来の手法よりも優れていることがわかった。 特に、トレーニングデータの10%しか使用していない提案手法は、すべての評価指標で100%使用したPointNet++よりも優れていた。

関連論文リスト

• CogFormer: Learn All Your Models Once [2.3012481139364116]
  我々はCogFormerと呼ばれる認知モデリングのためのメタアモタイズフレームワークを開発した。 我々のフレームワークは、多くの構造的に類似したモデルで有効であるトランスフォーマーベースのアーキテクチャをトレーニングしています。 我々の評価は、最小限のオフセットでモデルファミリ間でパラメータを正確に推定できることを示唆している。
  論文  参考訳（メタデータ） (2026-03-20T21:39:41Z)
• Meta-probabilistic Modeling [36.339664748241944]
  複数の関連するデータセットから生成モデル構造を直接学習するメタ確率モデリング(MPM)を提案する。 学習と推論のために、抽出可能なVAEにインスパイアされたサロゲートの目的を提案し、双方向の最適化により最適化する。 我々は、オブジェクト中心の画像モデリングとシーケンシャルテキストモデリングでMPMを評価し、有意義な潜在表現を復元しながら、生成モデルをデータに適応させることを実証した。
  論文  参考訳（メタデータ） (2026-01-08T00:34:06Z)
• Model Assembly Learning with Heterogeneous Layer Weight Merging [57.8462476398611]
  モデル統合のための新しいパラダイムであるモデルアセンブリ学習(MAL)を紹介する。 MALは、様々なモデルのパラメータをオープンエンドモデル動物園に統合し、ベースモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-03-27T16:21:53Z)
• Multiview Random Vector Functional Link Network for Predicting DNA-Binding Proteins [0.0]
  本稿では,マルチビュー学習とニューラルネットワークアーキテクチャを融合したMvRVFL(Multiview random vector functional link)ネットワークを提案する。 提案したMvRVFLモデルは、後期および初期融合の利点を組み合わせ、異なるビューをまたいだ明確な正規化パラメータを可能にする。 DBPデータセット上で提案したMvRVFLモデルの性能はベースラインモデルよりも優れており、その優れた効果を示している。
  論文  参考訳（メタデータ） (2024-09-04T10:14:17Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Novel and flexible parameter estimation methods for data-consistent inversion in mechanistic modeling [0.13635858675752988]
  本稿では,レジェクションサンプリング,マルコフ連鎖モンテカルロ,GAN(Generative Adversarial Network)に基づく逆問題(SIP)の解法を提案する。 SIPの限界を克服するため、制約付き最適化に基づいてSIPを再構成し、制約付き最適化問題を解決するための新しいGANを提案する。
  論文  参考訳（メタデータ） (2020-09-17T13:13:21Z)
• Predicting Multidimensional Data via Tensor Learning [0.0]
  本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。 モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。 提案モデルは,予測文献に存在するベンチマークモデルより優れている。
  論文  参考訳（メタデータ） (2020-02-11T11:57:07Z)

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。