IJCAIMar, 2024

stMCDI：基于图神经网络的带掩码条件扩散模型用于空间转录组学数据插补

PDF
TL;DR以空间转录组学数据为基础，提出了一种含有条件扩散模型的空间转录组学数据插补方法，结合空间位置信息和模型训练，用于处理单细胞数据中的缺失值问题，并证明其相对于现有方法具有更好的性能。
spatially resolved transcriptomicsmissing valuesimputation methodsspatial location informationconditional diffusion model
发现论文，激发创造
  • 基于 scRNA-seq 和空间转录组学的非配对数据联合模型，用于填充丢失的基因表达测量值

    本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。

    May, 2019

  • 时序解缠对比扩散模型的时空填补

    利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

    Feb, 2024

  • 跨模型扩散建模用于高分辨率空间转录组学

    使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

    Apr, 2024

  • 用于增强深度伪造检测的掩码条件扩散模型

    本研究提出一种基于扩散模型的数据增强方法，通过生成多样化的伪造人脸图像，帮助提升深度伪造检测模型的性能。实验证明，所采用方法生成的伪造图像质量高，并能有效改善深度伪造检测模型的性能。

    Feb, 2024

  • 对抗训练图形卷积网络实现缺失数据插值

    本论文提出了一种更通用的缺失数据填充 (MDI) 框架，使用图神经网络 (GNNs) 建立自编码器与边表征向量，通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法，在大量缺失值时尤为明显。

    May, 2019

  • 表格数据中的缺失值插值扩散模型

    本文提出了一种用于 Tabular 数据的基于条件分数的扩散模型方法（TabCSDI），并研究了热点问题中的三种处理技术。实验结果表明与现有方法相比，TabCSDI 是有效的，同时也强调了分类嵌入技术的重要性。

    Oct, 2022

  • 遮蔽扩散作为自监督表示学习者

    最近，去噪扩散概率模型展示了最先进的生成性能，并被用作强大的像素级表示学习器。本文将扩散模型内在的生成能力与表示学习能力之间的相互关系进行了分解。我们提出了掩蔽扩散模型 (MDM)，这是一种可扩展的自监督表示学习器，用于将传统扩散中的加性高斯噪声替换为遮罩机制。我们所提出的方法在医学和自然图像语义分割任务中明显超越了先前的基准，并在少样本场景下展示了显著的进展。

    Aug, 2023

  • MagiNet：面向不完整交通数据的掩码感知图填充网络

    我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network，该方法旨在通过学习不完整数据的潜在表示，并捕捉不完整交通数据中固有的空间和时间依赖性，来填补缺失值。在五个真实世界交通数据集上的广泛实验证明，我们的方法在均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面优于现有最先进的填补方法，平均改进了 4.31% 和 3.72%。

    Jun, 2024

  • 表格数据填补和合成数据生成的扩散模型

    我们提出了一种扩展的扩散模型，用于表格数据的数据填充和数据生成任务，通过引入条件注意机制、编码器 - 解码器 Transformer 和动态遮蔽来提高模型的性能。

    Jul, 2024

  • 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024