.png){kind=icon}
返回
Explainable data generation from observed small samples by matrix tri-factorization
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-77343-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在样本量极小的情况下进行数据生成已展现出在真实生物医学场景中的巨大潜力，特别是在早期或新兴生物医学条件（如全新疾病中仅有一个样本的“零号病人”）等极端案例中，这归因于样本信息的不足。在此，我们设计了一种基于矩阵三因子分解的可解释数据生成方法，命名为基于矩阵三因子分解的可解释数据生成（EDG），用于在极端样本稀缺条件下利用观测高维数据中蕴含的固有低维原理。EDG旨在通过较大而非相等的样本量，用低维潜在表示来表征观测到的小样本高维数据，从而实现可解释的样本生成，因其分解与重构过程具有透明性和可解释性。在实验中，EDG在模拟和真实数据集（单细胞RNA测序/ATAC测序数据）的极端样本稀缺条件下，对分类、聚类、特征选择和拐点预测四项任务进行了测试，结果证明了EDG的优越性。在此，作者提出了一种名为EDG的可解释数据生成方法，该方法通过矩阵三因子分解利用观测高维数据中蕴含的固有低维原理，在极端样本稀缺条件下进行操作。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
机构
查看更多机构
引用论文
暂无论文信息