SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States

要約

多くの科学分野のデータは、多くの場合、複数の異なる状態（例えば、異なる臨床介入）の下で収集されますが、潜在的なプロセス（例えば、内部の生物学的要因）により、単一の状態内および状態間の両方で、個々の試験間に複雑な変動が生じる可能性があります。
この複雑さに対処するための有望なアプローチは、データ内の基本的な表現単位、つまり機能的ビルディング ブロック (BB) を明らかにすることです。BB は、トライアル間での時間的アクティビティとコンポーネント構造を調整して、トライアル間変動の多様なスペクトルを捉えることができます。
ただし、このような多次元データを理解するための既存の方法は、現実世界のデータの特性と一致しない可能性がある仮定に基づくテンソル因数分解に依存することが多く、異なる期間、欠損サンプル、さまざまなサンプリング レートの試行に対応するのに苦労しています。
ここでは、状態間のグラフを使用した類似性主導のビルディング ブロック推論 (SiBBlInGS) のフレームワークを紹介します。
SiBBlInGS は、ノイズやランダムな初期化に対する耐性を維持しながら、共有時間アクティビティ、状態間および状態内の関係、非直交コンポーネント、状態間のセッション数と継続時間の変動を考慮する、BB 発見のための堅牢なグラフベースの辞書学習アプローチを採用しています。
、サンプルが欠落しています。
さらに、状態固有の BB と状態不変の BB の識別が可能になり、BB 構造の状態間で制御された変動や試行ごとの時間的変動が可能になります。
私たちは、合成例といくつかの実世界の例で SiBBInGS を実証し、さまざまな分野にわたる複雑な現象の根底にあるメカニズムへの洞察を提供するその能力を強調します。

要約(オリジナル)

Data in many scientific domains are often collected under multiple distinct states (e.g., different clinical interventions), wherein latent processes (e.g., internal biological factors) can create complex variability between individual trials both within single states and between states. A promising approach for addressing this complexity is uncovering fundamental representational units within the data, i.e., functional Building Blocks (BBs), that can adjust their temporal activity and component structure across trials to capture the diverse spectrum of cross-trial variability. However, existing methods for understanding such multi-dimensional data often rely on tensor factorization under assumptions that may not align with the characteristics of real-world data, and struggle to accommodate trials of different durations, missing samples, and varied sampling rates. Here, we present a framework for Similarity-driven Building Block Inference using Graphs across States (SiBBlInGS). SiBBlInGS employs a robust graph-based dictionary learning approach for BB discovery that considers shared temporal activity, inter- and intra-state relationships, non-orthogonal components, and variations in session counts and duration across states, while remaining resilient to noise, random initializations, and missing samples. Additionally, it enables the identification of state-specific vs. state-invariant BBs and allows for cross-state controlled variations in BB structure and per-trial temporal variability. We demonstrate SiBBlInGS on synthetic and several real-world examples to highlight its ability to provide insights into the underlying mechanisms of complex phenomena across fields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google