Diff2Dist：学习谱可区分的边函数及其在细胞形态分析中的应用
机器学习
2021-07-01 v1 计算机视觉与模式识别
度量几何
摘要
我们提出了一种为图学习“谱描述性”边权重的方法。我们推广了先前已知的图上的距离度量（图扩散距离，Graph Diffusion Distance），从而允许对其进行调整以最小化任意损失函数。由于计算这种修正的 GDD 的所有步骤都是可微的，我们证明了一个小型神经网络模型可以学习最小化损失的边权重。GDD 本身不能有效区分由野生型与突变型拟南芥（Arabidopsis thaliana）茎尖分生组织图像构建的图。然而，使用对比损失训练边权重和核参数会产生一个学习到的距离度量，在这些图类别之间具有大间隔。我们通过展示简单 k 近邻分类器在学习到的距离矩阵上性能的提升来证明这一点。我们还展示了该方法在生物图像分析中的进一步应用：一旦训练完成，我们使用我们的模型计算生物图与一组由细胞分裂模拟器输出的图之间的距离。这使我们能够识别与我们原始数据集中每一类图相似的模拟参数区间。
引用
@article{arxiv.2106.15716,
title = {Diff2Dist: Learning Spectrally Distinct Edge Functions, with Applications to Cell Morphology Analysis},
author = {Cory Braker Scott and Eric Mjolsness and Diane Oyen and Chie Kodera and David Bouchez and Magalie Uyttewaal},
journal= {arXiv preprint arXiv:2106.15716},
year = {2021}
}