論文の概要: Clustering of High-Dimensional Human Gene Score Data for Target Cell Classification

• arxiv url: http://arxiv.org/abs/2610.33531v1
• Date: Sat, 24 Oct 2026 08:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.355145
• Title: Clustering of High-Dimensional Human Gene Score Data for Target Cell Classification
• Title（参考訳）: 標的細胞分類のための高次元ヒト遺伝子スコアデータのクラスタリング
• Abstract要約: 目的は、ヒト遺伝子スコアデータセットと選択されたヒトキナーゼ遺伝子データセットが、同じ769個の特徴セットを用いて分析した場合に、同じ数のクラスタを示すかどうかを検討することである。
• 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: The goal is to investigate whether the total human gene-score dataset and the selected human kinase-gene dataset exhibit the same number of clusters when analysed using the same set of 769 features. Two datasets were considered: the complete gene score dataset and a subset containing selected kinase genes. Two missing-data strategies were investigated. In Case I, rows containing missing gene-score values were removed. In Case II, rows with more than 20% missing values were excluded and the other missing values were replaced by the corresponding column mean. For each case, the data were scaled and principal component analysis (PCA) was performed before clustering. Four clustering approaches were considered: K-Means, Hierarchical Clustering, Fuzzy C-Means, and Graph-based Clustering. Across both datasets and both missing-data treatments, the optimal number of clusters was found to be two. In the absence of an optimal number of clusters, the quality of clustering was assessed using the Silhouette score. Relatively high Silhouette scores were obtained in all cases.
• Abstract（参考訳）: 目的は、ヒト遺伝子スコアデータセットと選択されたヒトキナーゼ遺伝子データセットが、同じ769個の特徴セットを用いて分析した場合に、同じ数のクラスタを示すかどうかを検討することである。 完全な遺伝子スコアデータセットと、選択されたキナーゼ遺伝子を含むサブセットの2つのデータセットが検討された。 2つの欠落データ戦略が調査された。 ケースIでは、欠落した遺伝子スコア値を含む行が削除された。 ケースIIでは、20%以上の欠落した値を除外し、他の欠落した値を対応する列平均に置き換えた。 各ケースについて、データをスケールし、クラスタリング前に主成分分析(PCA)を行った。 K平均、階層クラスタリング、ファジィC平均、グラフベースのクラスタリングの4つのクラスタリングアプローチが検討された。 いずれのデータセットも、欠落データ処理も、最適なクラスタ数は2つであることが判明した。 最適なクラスタ数がない場合には、シルエットスコアを用いてクラスタリングの品質を評価した。 相対的に高いシルエットスコアが得られた。

関連論文リスト

• Why does Greedy Search produce Optimal Clustering Outcomes? A Fixed-Core Assignment Theory [12.631764566188407]
  クラスタの形状が不規則な場合、クラスタのパフォーマンスは著しく悪化し、クラスタ毎に密度やサイズが変化する。 最近のクラスタ・アズ・ディストリビューション(CaD)クラスタリングは、これらの一般的なタイプのクラスタを発見することが示されている。 これは、欲求探索によるCaDクラスタリングが任意の形状、密度、大きさのクラスタを発見できる理由を説明する最初の分析である。
  論文  参考訳（メタデータ） (2026-07-27T10:15:08Z)
• Break the Tie: Learning Cluster-Customized Category Relationships for Categorical Data Clustering [51.11677202873771]
  定性的な値を持つカテゴリ属性は、実際のデータセットのクラスタ分析においてユビキタスである。 数値属性のユークリッド距離とは異なり、分類属性はそれらの可能な値の明確な関係を欠いている。 本稿では属性カテゴリの固有関係関係を破り、様々なクラスタ分布を柔軟に明らかにするのに適したカスタマイズされた距離メトリクスを学習する。
  論文  参考訳（メタデータ） (2025-11-12T06:57:24Z)
• Revisiting Silhouette Aggregation [2.56711111236449]
  シルエット係数(Silhouette coefficient)は、クラスタリングの割り当ての品質を評価し、データポイント当たりのスコアを生成する評価尺度である。 滅多に採用されない代替のパスは、まずクラスタレベルで平均し、次に(マクロ)クラスタ全体で平均することです。 典型的なマイクロアグレージング戦略はクラスタ不均衡に敏感であり,見過ごされたマクロアベリング戦略ははるかに堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-01-11T10:57:29Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Clusterability test for categorical data [5.776668980560203]
  TestCatは、分析的な$p$-valueで分類データのクラスタ性を評価するためのテストベースのアプローチである。 提案手法をベンチマーク分類データセットに適用することにより,TestCatが数値データに対してそれらの解より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-14T13:50:00Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Enhancing Cluster Quality of Numerical Datasets with Domain Ontology [2.790947019327459]
  オントロジーベースのクラスタリングは、データセットから高品質または低品質のクラスタを生成することができる。 数値データセットにおける属性の次元性を低減するために,ドメインオントロジーに基づくクラスタリング手法を提案する。 提案手法の実験結果から,クラスタの品質は,ドメインオントロジーの下位レベルから上位レベルへと徐々に向上することが示唆された。
  論文  参考訳（メタデータ） (2023-04-02T23:40:17Z)
• Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes [0.0]
  K群を同じ依存構造を持つ部分群に分類するクラスタリング手法を提案する。 数値的な研究と2つの実際のデータセットを通してクラスタリングアルゴリズムを説明します。
  論文  参考訳（メタデータ） (2022-11-11T16:38:29Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。