論文の概要: Pheno-GS: Phenoscape-scale Geodesic Sinkhorn
- arxiv url: http://arxiv.org/abs/2609.27633v1
- Date: Wed, 23 Sep 2026 09:54:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.973008
- Title: Pheno-GS: Phenoscape-scale Geodesic Sinkhorn
- Title（参考訳）: Pheno-GS:Phenoscape-scale Geodesic Sinkhorn
- Abstract要約: Pheno-GSは、ノイズ、不均衡、大規模設定の下で、正確な測地線輸送距離を計算します。
合成ベンチマークとCyTOF摂動データセットを用いてPheno-GSを検証する。
- 参考スコア（独自算出の注目度）: 4.991320674998966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-throughput single-cell data is now collected across large patient cohorts. Understanding patient-level heterogeneity from cellular-level data motivates phenoscaping: embedding each single-cell distribution as a "datapoint," with distances given by optimal transport (OT). Computing geometry-aware OT at this scale, between all pairs of patient datasets, remains an open challenge, since existing methods either rely on Euclidean ground metrics that distort manifold structure or fail under sparse, unevenly sampled, or large-scale data. We present \textbf{Pheno-GS} (Phenoscape-scale Geodesic Sinkhorn), which computes accurate, scalable geodesic transport distances under noisy, unbalanced, large-scale settings via three components: ($1$) graph connectivity regularization for well-defined geodesics on sparse/disconnected manifolds; ($2$) an unbalanced OT formulation via KL marginal penalties; and ($3$) a batched matrix algorithm computing all pairwise distances in one heat diffusion (over $200 \times$ faster than Geodesic Sinkhorn for $500$ distributions). We validate Pheno-GS on synthetic benchmarks and a CyTOF perturbation dataset.
- Abstract（参考訳）: 高スループットシングルセルデータは、現在、大きな患者コホートで収集されている。
細胞レベルのデータから患者レベルの不均一性を理解することは、表現逃避を動機付け、各単一細胞分布を最適な輸送(OT)によって与えられる距離で「データポイント」として埋め込む。
既存の手法は、多様体の構造を歪ませるユークリッド測度に依存するか、スパース、不均一サンプリング、または大規模データの下で失敗する。
1$) グラフ接続正則化 (1$) スパース/非連結多様体上の well-defined 測地線に対する正規化 (2$) KL 限界ペナルティによる不均衡OT の定式化 (3$) 、1つの熱拡散における全対距離を計算したバッチ行列アルゴリズム (500ドル以上はGeodesic Sinkhornより200ドル速い) について述べる。
合成ベンチマークとCyTOF摂動データセットを用いてPheno-GSを検証する。
関連論文リスト
- SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - Geometric regularization of autoencoders via observed stochastic dynamics [0.0]
ATLASのようなローカルチャートの手法は、指数的ランドマークのスケーリングとステップごとの再プロジェクションに悩まされている。
オートエンコーダの代替品は、タンジェント・タンジェント・ジオメトリーをあまり制約しないままにしておく。
論文 参考訳（メタデータ） (2026-04-17T17:44:02Z) - Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。
植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
論文 参考訳（メタデータ） (2024-02-01T03:39:01Z) - Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and
Applications [7.322121417864824]
我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。
これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。
神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
論文 参考訳（メタデータ） (2023-05-26T06:02:31Z) - Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。
化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
論文 参考訳（メタデータ） (2022-11-02T00:51:35Z) - Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。
拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
論文 参考訳（メタデータ） (2021-02-25T13:18:32Z)
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。