전체 글192 [Hierarchical MIL] Exploratory Data (Summary) 논문Incorporating Hierarchical Information into Multiple Instance Learning for Patient Phenotype Prediction with scRNA-seq Datahttps://www.biorxiv.org/content/10.1101/2025.02.10.637389v1.full.pdf 논문 정리2025.03.22 - [AI 및 Data Analysis/Paper] - [Hierarchical MIL] Incorporating Hierarchical Information into Multiple Instance Learning for Patient Phenotype Prediction with scRNA-seq Data [Hierarchica.. 2025. 3. 22. [ScRAT] Phenotype prediction from single-cell RNA-seq data using attention-based neural networks 논문 https://academic.oup.com/bioinformatics/article/40/2/btae067/7613064정리 Attention 기반 신경망을 사용한 / 단일 세포 RNA-Seq 데이터의 / 표현형 예측Attention 기반으로 진행하는 것이 이 논문의 핵심!Attentino은 중요한 정보에 집중하는 과정!표현형(phenotypes) 예측하는 것은 중요함.기존의 Builk tissue samples는 전체 평균을 취해서 세포간의 이질성을 반영하지 못함.➡️ 그래서 Attention이라는, 서로 얼마나 중요한 관계를 가지는지 집중해보자! 2025. 3. 22. [ScRAT] Exploratory Data (Summary) ScRAT를 활용하여, scRNA 데이터를 분석해 보았다. 2025.03.20 - [AI 및 Data Analysis/Code] - [ScRAT] scRNA Analysis [ScRAT] scRNA AnalysisPaper : Phenotype prediction from single-cell RNA-seq data using attention-based neural networks https://academic.oup.com/bioinformatics/article/40/2/btae067/7613064 본 논문에서 언급된 ScRAT 방법으로 scRNA 분석하기 https://github.com/yuzhendoraemin.tistory.com데이터에 대해 살펴보자.COMBAT와 Haniffa 데이터는 →.. 2025. 3. 22. [ScRAT] STEP 2. Attention layer 4.2 Attention Layer (주의력 기법)논문의 4.2 Attention Layer 부분에서는 Self-Attention 및 Multi-Head Attention을 이용한 셀 임베딩 학습 방법을 설명하고 있습니다.즉, 각 세포(Cell) 임베딩을 입력으로 받아 중요한 세포에 더 높은 가중치를 할당하는 Self-Attention 기법을 사용합니다.1. Attention Layer란?Attention은 입력 데이터에서 중요한 요소에 더 높은 가중치를 부여하는 기법.기존 MLP, CNN과 다르게 변수 크기의 입력 데이터를 처리할 수 있으며, 순서가 없는 데이터에도 적용 가능.논문에서는 **Multi-Head Attention (Vaswani et al. 2017, Transformer의 핵심 개념)*.. 2025. 3. 20. [ScRAT 흐름] Phenotype prediction from single-cell RNA-seq data using attention-based neural networks 논문 https://academic.oup.com/bioinformatics/article/40/2/btae067/7613064 발표용으로 정리2025.03.22 - [AI 및 Data Analysis/Paper] - [ScRAT 정리] Phenotype prediction from single-cell RNA-seq data using attention-based neural networks [ScRAT 정리] Phenotype prediction from single-cell RNA-seq data using attention-based neural networks논문 https://academic.oup.com/bioinformatics/article/40/2/btae067/7613064 정리 A.. 2025. 3. 20. [ScRAT] STEP 1. Sample mixup ScRAT의 첫번째 단계 : Sample mixup논문 4.1 Sample Mixup 부분에서는 scRNA-seq 데이터가 적은 샘플 크기로 인해 과적합(overfitting) 될 가능성이 높다는 문제를 해결하기 위해 Mixup 기법을 도입한 방법을 설명하고 있습니다.Mixup은 원래 컴퓨터 비전에서 사용된 데이터 증강 기법으로, 두 개의 샘플을 선형 결합하여 새로운 샘플을 생성하는 방법입니다. 기존의 적은 샘플 데이터를 보완하기 위해, 기존 샘플을 조합하여 새로운 가상 샘플을 생성하여 훈련 데이터 증가시킵니다.x~ =λ xi +(1-λ) x′iy~ =λ y + (1-λ) y′ * given two scRNA-seq samples S and S’ * λ∈[0, 1] * xi and x .. 2025. 3. 20. 이전 1 ··· 10 11 12 13 14 15 16 ··· 32 다음
