論文の概要: Copula Adapted Directed Acyclic Graph for Cluster Representation of Biomedical Data

• arxiv url: http://arxiv.org/abs/2609.16240v1
• Date: Mon, 14 Sep 2026 19:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.195574
• Title: Copula Adapted Directed Acyclic Graph for Cluster Representation of Biomedical Data
• Title（参考訳）: Copula Adapted Directed Acyclic Graph for Cluster Representation of Biomedical Data
• Abstract要約: 機能間の複雑な関係に基づく、ラベルなしのバイオメディカルデータのストラテファイリングは、データラベルの必要性を排除する。 従来のクラスタリング手法は制約のあるデータ分散を前提としており、複雑な依存関係をキャプチャするのに最適である。 本稿では,コプラモデルの非ガウス的および非線形的特徴依存を統合した,クラスタフレンドリーな新しいデータ提示フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnostic errors and mislabeling are common in biomedicine, which compromise the reliability of predictive models and data-driven outcomes. Stratifying unlabeled biomedical data based on complex relationships between features eliminates the need for data labels and overcomes the limitations of supervised learning. Traditional clustering methods assume restrictive data distributions, making them suboptimal for capturing complex dependencies in high-dimensional biomedical data. This paper introduces a novel cluster-friendly data presentation framework that integrates the non-Gaussian and non-linear feature dependence of copula models with an ensemble of causal structure discovery (CSD) methods based on Directed Acyclic Graphs (DAGs). While copulas model flexible multivariate distributions by relaxing assumptions related to multivariate normality, linear dependence, and symmetric relationships, an ensemble of DAG-based CSD methods identifies stable causal relationships between features. When clustered using K-means, the new data representation obtained by the proposed copula-adapted DAG (CopDAG) ranks first among the 12 methods in normalized clustering accuracy and adjusted Rand index across 16 biomedical datasets. Our CopDAG method predicts ground-truth class labels directly from feature relationships without data annotations and supervised learning, while also providing cluster visualizations and explainable causal structures of the biomedical data features.
• Abstract（参考訳）: 診断ミスと誤記は、予測モデルとデータ駆動結果の信頼性を損なう生医学において一般的である。 機能間の複雑な関係に基づく、ラベルなしのバイオメディカルデータのストラテファイリングは、データラベルの必要性を排除し、教師付き学習の限界を克服する。 従来のクラスタリング手法は制限的なデータ分布を前提としており、高次元のバイオメディカルデータの複雑な依存関係を捉えるのに最適である。 本稿では,コプラモデルの非ガウス的および非線形的特徴依存を,DAG(Directed Acyclic Graphs)に基づく因果構造探索(CSD)手法のアンサンブルと統合した,クラスタフレンドリーなデータ提示フレームワークを提案する。 コプラは多変量正規性、線形依存、対称関係に関する仮定を緩和することで柔軟な多変量分布をモデル化する一方で、DAGに基づくCSD法のアンサンブルは特徴間の安定した因果関係を同定する。 K-meansを用いてクラスタ化を行うと、提案したコプラ適応DAG(CopDAG)によって得られた新しいデータ表現は、正規化されたクラスタリング精度と16のバイオメディカルデータセットにわたる調整されたRandインデックスにおいて、12の手法の中で第一にランク付けされる。 筆者らのCopDAG法は,データアノテーションや教師あり学習を伴わない特徴関係から直接,地中構造クラスラベルを予測し,また,生医学データの特徴のクラスタ可視化や説明可能な因果構造も提供する。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Structured Gaussian Processes for Uncertainty-Aware Classification of High-Dimensional, Small-Sampled Omics Data [5.649446622508846]
  不均一なオミクスデータの分類は、計算生物学における根本的な課題である。 グラフ符号化された生物学的経路を直接カーネル構築に統合する構造付きガウスプロセス分類フレームワークを提案する。 提案手法を3つの公開腸および糞便マイクロバイオームデータセットでベンチマークした。
  論文  参考訳（メタデータ） (2026-07-02T12:37:40Z)
• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Causal Discovery on Dependent Binary Data [6.464898093190062]
  本稿では,関係するバイナリデータに基づく因果グラフ学習のためのデコレーションに基づくアプローチを提案する。 我々は,潜在ユーティリティ変数のサンプルの生成とデコレーションを行うEMライクな反復アルゴリズムを開発した。 提案手法は因果グラフ学習の精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-12-28T21:55:42Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)

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。