論文の概要: Autoregressive Frontier Expansion: Growing Trees with Graph Machine Learning

• arxiv url: http://arxiv.org/abs/2609.38506v1
• Date: Tue, 29 Sep 2026 20:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.71746
• Title: Autoregressive Frontier Expansion: Growing Trees with Graph Machine Learning
• Title（参考訳）: 自動回帰フロンティア拡張 - グラフ機械学習による木の成長
• Abstract要約: 木のような分岐構造は、植物から神経細胞、血管、呼吸木に至るまで、自然界で一般的である。 本稿では,反復的な拡張プロセスを通じて木を構築する生成フレームワークであるAutoregressive Frontier Expansionを提案する。 本研究では, 非条件, クラス条件, 形態素誘導生成における皮質ニューロンと植物樹について検討した。
• 参考スコア（独自算出の注目度）: 2.931240348160871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tree-like branching structures are common in nature, from botanical trees to neurons, blood vessels and respiratory trees. Their branching shape often reflects function, making structural modelling central to understanding how these systems work. Because acquiring real-world 3D data is often expensive or infeasible, realistic generative models are valuable for simulation and data augmentation. Existing morphology-specific models either constrain how topology is generated or rely on hand-tuned, mechanistic procedures. Generic 3D graph generators, by contrast, do not exploit or enforce the structure of trees. We propose Autoregressive Frontier Expansion, a generative framework that constructs trees through an iterative expansion process, simulating the biological growth of real trees. At each step, a flow-matching model parameterised by an SO(2)-equivariant GNN expands the frontier by predicting whether each active branch bifurcates or terminates. We evaluate our method on cortical neurons and botanical trees in unconditional, class-conditioned, and morphology-guided generation. Across both domains, the generated morphologies agree closely with the reference distributions and, in conditional experiments, with the specified targets.
• Abstract（参考訳）: 木のような分岐構造は、植物から神経細胞、血管、呼吸木に至るまで、自然界で一般的である。 その分岐形状は、しばしば関数を反映し、構造モデリングをこれらのシステムがどのように機能するかを理解する中心となる。 実世界の3Dデータを取得することは、しばしば費用がかかるか、実現不可能であるため、現実的な生成モデルは、シミュレーションとデータ拡張に有用である。 既存の形態学固有のモデルでは、トポロジーの生成方法に制約があるか、手作業による機械的な手順に依存している。 対照的に、ジェネリックな3Dグラフジェネレータは木の構造を活用または強制しない。 本稿では,実生樹の生長を模擬した,反復的拡大プロセスを通じて木を構築する生成フレームワークであるAutoregressive Frontier Expansionを提案する。 各ステップにおいて、SO(2)-同変GNNによりパラメータ化されたフローマッチングモデルが、各アクティブブランチが分岐するか終了するかを予測してフロンティアを拡張する。 本研究では, 非条件, クラス条件, 形態素誘導生成における皮質ニューロンと植物樹について検討した。 両方の領域にわたって、生成されたモルフォロジーは参照分布と密接に一致し、条件付き実験では、指定されたターゲットと一致する。

関連論文リスト

• Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
  HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。 これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-29T15:19:13Z)
• Vector Representations of Vessel Trees [12.391128284848135]
  本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。 我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
  論文  参考訳（メタデータ） (2025-06-11T20:34:08Z)
• PhyloVAE: Unsupervised Learning of Phylogenetic Trees via Variational Autoencoders [5.505257238864315]
  PhyloVAEは、木トポロジーの表現学習と生成モデリングのために設計された教師なし学習フレームワークである。 我々は,高速で並列化されたトポロジ生成を容易にする潜伏変数生成モデルを開発した。 実験では、PhyloVAEの堅牢な表現学習能力と系統樹のトポロジーの高速生成が示されている。
  論文  参考訳（メタデータ） (2025-02-07T07:58:47Z)
• PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
  系統樹は種間の進化的関係を解明する。 伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。 我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T08:33:05Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• ARTree: A Deep Autoregressive Model for Phylogenetic Inference [6.935130578959931]
  グラフニューラルネットワーク(GNN)に基づく系統推定のための深層自己回帰モデルを提案する。 本研究では,本手法の有効性と効率を,実データツリーのトポロジー密度推定と変分系統推定問題のベンチマークで実証する。
  論文  参考訳（メタデータ） (2023-10-14T10:26:03Z)
• DeepTree: Modeling Trees with Situated Latents [8.372189962601073]
  そこで本研究では,木を手作業で定義するのではなく,分岐構造に対する発達規則を学習する手法を提案する。 我々は、その振る舞いが本質的な状態によって決定されるため、潜伏状態にあるディープニューラルモデル(deep Neural model)と呼ぶ。 本手法では,複雑なパラメータを定義することなく,多様な木形を生成することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:14Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• PT2PC: Learning to Generate 3D Point Cloud Shapes from Part Tree Conditions [66.87405921626004]
  本稿では,シンボル部分木表現から3次元形状点雲の幾何を生成するという新しい問題について検討する。 構造的および幾何学的要因を乱す条件付きGAN "part tree"-to-point cloud"モデル(PT2PC)を提案する。
  論文  参考訳（メタデータ） (2020-03-19T08:27:25Z)

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。