CMGL: 암 아형 분류를 위한 신뢰도 기반 다중 오믹스 그래프 학습
CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification
한국어 초록
동기: 다중 오믹스(multi-omics) 통합은 암 아형 분류(cancer subtyping) 성능을 향상할 수 있으나, 암 종류와 환자에 따라 양식(modality)별 유용성과 노이즈가 상이합니다. 대부분의 다중 오믹스 데이터용 그래프 기법은 다운스트림 분류 목적식 내에서 양식별 기여도를 학습하므로 환자별 예측 신뢰도가 암시적인 상태로 남게 됩니다. 그 결과, 정보량이 적은 양식은 융합된 표현을 약화시킬 수 있으며, 신뢰할 수 없는 오믹스는 그래프 전파 과정에 노이즈가 섞인 환자 간 관계를 유입시킬 수 있습니다. 이러한 두 가지 문제를 해결하기 위해, 본 연구에서는 융합 전에 독립적인 신뢰도 추정치를 산출하고 합의 환자 이웃(consensus patient neighborhoods)을 그래프 분류에 활용하는 CMGL을 제안합니다. 결과: CMGL은 증거적 심층 학습(evidential deep learning)을 통해 각 환자에 대한 양식 신뢰도를 추정하고, 오믹스 간 융합 과정에서 이 값들을 고정한 뒤 독립적으로 지정된 일관성 그래프 상에서 분류를 수행합니다. 4개의 MLOmics 암 아형 태스크와 32개 클래스의 범암(pan-cancer) 태스크에서 CMGL은 가장 강력한 기준선 모델 대비 일관된 성능 향상을 보였으며, 4개의 단일 암 태스크 평균 정확도에서 4.03% 더 우수한 성능을 기록했습니다. 또한 제안 모델의 표현은 유방 침윤성 암종(BRCA)의 PAM50 고유 아형을 복원하며, BRCA에서 학습된 모델은 파인튜닝(fine-tuning) 없이도 신장 투명 세포암(KIRC)으로 전이되어 환자들을 예후상 뚜렷하게 구별되는 집단으로 층화합니다.
원문 초록
Motivation: Multi-omics integration can improve cancer subtyping, but modality informativeness and noise vary across cancer types and patients. Most graph methods for multi-omics data learn modality contributions within the downstream classification objective, leaving predictive reliability for each patient implicit. As a result, uninformative modalities can weaken the fused representation, while unreliable omics can introduce noisy patient relationships into graph propagation. To address these two problems, we propose CMGL, which produces a separate reliability estimate before fusion and uses consensus patient neighborhoods for graph classification. Results: CMGL estimates modality confidence for each patient through evidential deep learning, fixes these values during fusion across omics, and performs classification on an independently specified consistency graph. On four MLOmics cancer-subtype tasks and the 32-class pan-cancer task, CMGL consistently improves over the strongest baseline, surpassing it by 4.03% in average accuracy on the four single-cancer tasks. Its representations recover the PAM50 intrinsic subtypes of breast invasive carcinoma (BRCA), and the model trained on BRCA transfers without fine tuning to kidney renal clear cell carcinoma (KIRC), stratifying patients into prognostically distinct groups.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
부호 그래프 사전학습 및 프롬프트 학습
Signed Graph Pre-Training and Prompt Learning
부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.
MACTS-EM: 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측
MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory
시계열 예측(time series forecasting)은 여러 분야에서 여전히 중요한 과제로 남아 있다. 상당한 발전이 있었음에도, 기존 접근법들은 체제 전환(regime shift), 도메인 간 지식 전이, 멀티모달 데이터 통합과 같은 복잡한 현상을 다루는 데 어려움을 겪는다. 본 논문은 전문화된 에이전트들이 협업하여 우수한 예측 성능을 달성하는 새로운 프레임워크인 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측(Multi-Agent Collaborative Time Series Forecasting with Emergent Memory, MACTS-EM)을 소개한다. MACTS-EM 아키텍처는 다음을 통합한다: (1) 패턴 인식, 이상 탐지, 인과 추론, 불확실성 정량화를 위한 도메인 특화 예측 에이전트; (2) 동적 에이전트 할당을 위한 메타인지 층(meta-cognitive layer); (3) 도메인 간 패턴 전이를 가능하게 하는 창발적 메모리 메커니즘; (4) 멀티모달 맥락 통합; (5) 적대적 강건성(adversarial robustness) 구성 요소. 금융 시장, 기후 패턴, 에너지 소비, 전염병 확산에 대한 평가 결과, MACTS-EM은 대부분의 시나리오에서 기존 접근법을 능가하며, 예측 정확도에서 8-12%의 향상, 제로샷 전이 능력에서 22-27%의 개선, 체제 전환 시 복원력에서 16-21%의 강화, 분포 변화 이후 회복 속도에서 15-18%의 향상을 보였다. 본 연구 결과는 시계열 예측에 대한 협업적이고 에이전트 기반(agentic)인 접근법이 전통적인 아키텍처를 넘어서는 유망한 방향임을 시사하며, 다중 해상도의 시간적 이해와 맥락적 적응을 요구하는 복잡한 실세계 시나리오에서 특히 그렇다.
순환단전으로 인한 데이터 희소성 환경에서 태양광 발전을 예측하기 위한 컨포멀 분위수 회귀 결합 전이학습
Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity
순환단전(load shedding)의 영향을 받는 지역에서의 태양광(PV) 발전 예측은 신뢰할 수 있는 과거 관측 데이터가 부족하여 난도가 높습니다. 본 연구에서는 심각한 데이터 희소성 환경에서 태양광 발전 예측 성능을 향상시키고 신뢰성 있는 불확실성 추정치를 제공하기 위해 컨포멀 분위수 회귀(Conformalized Quantile Regression, CQR)와 결합된 전이학습(transfer learning) 프레임워크를 제안합니다. 호주 앨리스스프링스(Alice Springs)의 소스 도메인 태양광 데이터셋을 활용해 시계열 예측 모델을 사전학습(pre-training)한 후, 다양한 수준의 과거 데이터 가용성을 모사한 방글라데시 시뮬레이션 태양광 데이터에 이를 적응시킵니다. 실험 결과에 따르면, 전이학습은 타깃 도메인 데이터가 1개월치만 가용할 때 RMSE를 최대 23.7% 감소시켰으며, 3개월치의 데이터가 있을 때는 13.7% 감소시켰습니다. 제안된 전이학습 및 CQR 프레임워크는 3개월의 타깃 데이터로 94.3%의 경험적 커버리지(empirical coverage)를 달성하는 동시에, 전이학습을 적용하지 않은 경우보다 14% 더 좁은 예측 구간을 생성했습니다. 이러한 결과는 타깃 도메인의 태양광 데이터가 극히 제한적인 상황에서 전이학습과 컨포멀 불확실성 정량화의 결합이 점 예측 정확도와 불확실성 신뢰도를 모두 향상시킬 수 있음을 입증합니다.
사전학습된 객체 검출을 위한 위치파악 인식 불확실성
Localisation-Aware Uncertainty for Pretrained Object Detection
분포/공변량 변화(distribution/covariate shift) 및 적대적 공격(adversarial attack)이 발생할 수 있는 환경에서 객체 검출기를 배포하려면 신뢰할 수 있는 불확실성 추정(uncertainty estimation)이 필수적입니다. 기존 접근 방식은 흔히 검출기 재학습, 아키텍처 수정 또는 반복적인 추론(inference)을 요구하므로, 적용이 불가능하거나 상당한 오버헤드를 유발할 수 있습니다. 본 연구에서는 기본 검출기를 동결(frozen) 상태로 유지하면서 어떤 객체 위치파악(localisation)을 불확실한 것으로 간주해야 하는지 학습하는 경량 사후 증거 기반 메타 모델(post-hoc evidential meta-model)을 소개합니다. 제안하는 접근 방식은 위치파악 관련 특징을 자동으로 식별하고, 돌출도 기반 수정(saliency-guided modification)을 활용하여 점진적으로 더 까다로운 커리큘럼을 구성합니다. 검출 수준 목표는 위치파악 오차, 수정 수준, 예측 불안정성을 결합하여 증거 기반 메타 모델이 예측된 각 경계 상자(bounding box)의 불확실성을 추정하도록 유도합니다. 본 접근 방식은 검출기에 대한 수정을 요구하지 않으며 원래의 위치파악 출력을 보존합니다. 다양한 적대적 공격과 평가된 강도 전반에서 GRACE는 분포 내(in-distribution) 검출 성능을 유지하면서 일부 사례에서는 가장 강력한 비교 대상 대비 TP-FP AUROC를 22% 향상시킵니다.
공간 및 네트워크 객체를 활용한 덧셈 비모수적 회귀
Additive Nonparametric Regression with Spatial and Network Objects
본 논문은 구조적 MRI(s-MRI)의 대뇌 피질 지표와 휴지기 fMRI(rs-fMRI)의 뇌 연결성 데이터를 활용하여 과제 기반 fMRI(t-fMRI)로부터 과제 수행 기반 뇌 활성화 맵을 예측하는 청소년 뇌 인지 발달(ABCD) 연구의 영상 애플리케이션에서 동기를 얻었습니다. 계층적 베이지안 모델링은 다양한 영상 데이터를 통합하고 예측 불확실성을 정량화하는 데 매우 적합합니다. 그러나 다양한 영상 양식(modality) 간의 구조와 상호 연결성을 포착하는 결합 사전분포(joint prior) 설계의 난점과 더불어, 계산 복잡성 및 이론적 보장의 부재로 인해 이 분야의 발전은 제한적이었습니다. 이러한 과제를 해결하기 위해, 본 논문은 t-fMRI와 s-MRI 영상을 함수형 데이터(functional data)로 다루며, 함수형 반응변수에 대한 네트워크 및 함수형 예측변수의 덧셈 비선형 효과를 통합하는 새로운 회귀 프레임워크를 소개합니다. 구체적으로, 반응변수와의 복잡한 함수적 의존성을 포착하기 위해 함수형 예측변수와 관련된 계수에 가우시안 과정(GP) 사전분포를 적용합니다. 나아가, 반응 함수에 대한 네트워크 예측변수의 비선형적 노드 효과를 요약하기 위해 GP 사전분포를 할당합니다. 이 방법은 함수형 반응변수에 대한 예측 정확도의 이론적 결과로 뒷받침되며, 시뮬레이션 연구와 ABCD 연구의 다중 모달 신경영상 데이터 분석을 통해 실증적으로 검증됩니다.
LabourCrew: 노동법에 대한 신뢰 가능한 적대적 심의 및 법령 추론을 위한 멀티 에이전트 RAG 프레임워크
LabourCrew: A Multi-Agent RAG Framework for Trustworthy Adversarial Deliberation and Statutory Reasoning over Labour Law
법령 기반 질의응답(statutory question answering)에서는 검증 불가능한 노동권 관련 답변이 심각한 법적 결과를 초래할 수 있으므로, 모든 주장이 단순한 관련성을 넘어 반드시 증거로 추적 가능해야 합니다. 기존 시스템은 이에 미치지 못합니다. 단일 패스(single-pass) 검색-증강 생성(RAG)은 증거 부족을 감지하지 못하며, 멀티 에이전트 법률 토론 시스템은 그라운딩(grounding)을 프롬프트 관례 수준으로 취급하여 에이전트가 검색되지 않은 증거를 인용하도록 허용합니다. 이러한 격차를 해결하기 위해, 세 가지 그라운딩 메커니즘을 중심으로 구축된 멀티 에이전트 RAG 프레임워크인 LabourCrew를 소개합니다. 첫째, 고정 길이 스팬 대신 장, 조항, 단서 조항, 상호 참조 구조를 명시적으로 연결하는 그래프 인덱스인 StatuteGraph, 둘째, 옹호인(advocate)과 해석인(interpreter)을 증거 원장에 국한하여 검색되지 않은 텍스트를 인용하는 것을 원천 차단하는 동시에, 개별 실패가 시스템 다운으로 이어지지 않고 점진적으로 저하되도록 옹호인을 병렬 실행하는 내결함성 감독 위원회로 구성된 증거 교환 프로토콜(Evidence Exchange Protocol), 셋째, 단정적인 수락/기각 결정을 신뢰 점수로 대체하고 오수락률(false-accept rate)에 대한 무분포 경계(distribution-free bound)를 확보하기 위해 등각 위험 제어(conformal risk control)로 임계값을 설정하는 보정된 신뢰 게이트(Calibrated Trust Gate)입니다. 7개 추론 범주와 3개 난이도 단계에 걸친 방글라데시 2006년 노동법 기반의 500개 벵골어 문항 세트인 LabourActQA에서 평가를 수행했습니다. 본 프레임워크는 실증적 오수락률을 목표치($\alpha = 0.10$) 이내인 0.081로 낮추고, HyDE RAG, Graph-RAG, Hierarchical RAG 대비 가장 높은 답변 관련성(Answer Relevancy)을 달성했으며(0.862 $>$ 0.839, 0.815, 0.828), 질문 난이도가 높아짐에 따라 급격한 성능 저하 없이 점진적으로 저하됩니다. 이러한 결과는 저자원 법령 도메인에서 법률 질의응답을 감사 가능하게 만드는 핵심이 검색 품질 단독이 아닌 보정된 기권(calibrated abstention)임을 보여줍니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.