HiPoNet: A Topology-Preserving Multi-View Neural Network For High Dimensional Point Cloud and Single-Cell Data

要約

この論文では、高次元点雲の回帰、分類、および表現学習のためのエンドツーエンドの微分ニューラルネットワークであるHiponetを提案します。
単一セルデータは、3Dデータに合わせてテーラードされた既存のメソッドポイントクラウドの機能を超える高次元を持つことができます。
さらに、最新のシングルセルおよび空間的実験は、現在、データセットのコホート全体（つまり、すべての患者に1つ）を生成し、大規模で高次元のポイント雲を大規模に処理できるモデルを必要とします。
現在のアプローチのほとんどは、重要な幾何学的情報を破棄して、単一の最寄りのneighborグラフを構築します。
対照的に、Hiponetは、学習可能な特徴の再び測定を通じて高次の単純化複合体を形成し、異なる生物学的プロセスを解き放つ複数のデータビューを生成します。
次に、シンプルなウェーブレット変換を使用して、ローカルトポロジとグローバルトポロジの両方をキャプチャするマルチスケール機能を抽出します。
これらのコンポーネントは、学習した表現にトポロジー情報を保存し、Hiponetが最先端のポイントクラウドおよびグラフベースのモデルを単一セル上で大幅に上回ることを経験的に示しています。
また、VIEWの1つとして空間座標を使用して、空間トランスクリプトームデータセットにHiponetの適用を示します。
全体として、Hiponetは、高次元データ分析のための堅牢でスケーラブルなソリューションを提供します。

要約(オリジナル)

In this paper, we propose HiPoNet, an end-to-end differentiable neural network for regression, classification, and representation learning on high-dimensional point clouds. Single-cell data can have high dimensionality exceeding the capabilities of existing methods point cloud tailored for 3D data. Moreover, modern single-cell and spatial experiments now yield entire cohorts of datasets (i.e. one on every patient), necessitating models that can process large, high-dimensional point clouds at scale. Most current approaches build a single nearest-neighbor graph, discarding important geometric information. In contrast, HiPoNet forms higher-order simplicial complexes through learnable feature reweighting, generating multiple data views that disentangle distinct biological processes. It then employs simplicial wavelet transforms to extract multi-scale features – capturing both local and global topology. We empirically show that these components preserve topological information in the learned representations, and that HiPoNet significantly outperforms state-of-the-art point-cloud and graph-based models on single cell. We also show an application of HiPoNet on spatial transcriptomics datasets using spatial co-ordinates as one of the views. Overall, HiPoNet offers a robust and scalable solution for high-dimensional data analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google