CellCLAT: Preserving Topology and Trimming Redundancy in Self-Supervised Cellular Contrastive Learning
Created by
Haebom
저자
Bin Qin, Qirui Ji, Jiangmeng Li, Yupeng Wang, Xuesong Wu, Jianwen Cao, Fanjiang Xu
개요
본 논문은 자기 지도 학습 기반의 위상 심층 학습(TDL)에서 세포 복합체를 활용하는 방법을 제안합니다. 세포 복합체는 단순 복합체보다 표현력이 뛰어나지만, 고차원 세포 상호작용의 무결성을 유지하면서 정보 중복성을 해결하는 것이 어렵다는 한계가 있습니다. 이를 해결하기 위해, 논문에서는 적응적 자르기(Trimming)를 사용한 세포 복합체 대조 학습(CellCLAT) 프레임워크를 제시합니다. CellCLAT는 매개변수 변동 기반 증강 방법과 세포 자르기 스케줄러를 통해 세포 복합체의 위상 구조를 유지하면서 정보 중복성을 완화합니다. 이론적 근거와 실험적 검증을 통해 기존 자기 지도 학습 기반 그래프 학습 방법보다 성능이 크게 향상됨을 보여줍니다.
시사점, 한계점
•
시사점:
◦
세포 복합체의 고차원 상호작용 모델링을 위한 새로운 자기 지도 학습 프레임워크(CellCLAT) 제시.
◦
매개변수 변동 기반 증강 방법을 통해 세포 복합체의 위상 구조를 보존하면서 데이터 증강 가능성 제시.
