结合混合模型与多示例学习
机器学习
2024-03-11 v2 基因组学
定量方法
应用统计
摘要
从单细胞数据预测患者特征有助于识别与健康和疾病相关的细胞状态。线性模型与平均细胞类型表达因其高效与鲁棒性而通常用于此任务，但它们忽略了单细胞数据中固有的丰富细胞异质性。为弥补这一不足，我们提出 MixMIL，一个集成广义线性混合模型（GLMM）与多示例学习（MIL）的框架，在保持线性模型优势的同时对细胞状态异质性建模。通过利用预定义的细胞嵌入，MixMIL 提升了计算效率，并与单细胞表示学习的最新进展相一致。我们的实证结果表明，MixMIL 在单细胞数据集上优于现有 MIL 模型，在不同领域中揭示了新的关联并阐明了生物机制。
引用
@article{arxiv.2311.02455,
title = {Mixed Models with Multiple Instance Learning},
author = {Jan P. Engelmann and Alessandro Palma and Jakub M. Tomczak and Fabian J. Theis and Francesco Paolo Casale},
journal= {arXiv preprint arXiv:2311.02455},
year = {2024}
}
备注
AISTATS 2024 Oral, Code: https://github.com/AIH-SGML/MixMIL