Buchumschlag

GC-MoE: Genomics-Guided Cell-Type-Specific Mixture of Experts for Histology-Based Single-Cell Spatial Transcriptomics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shiku, Kaito, Abbasi, Ahtisham Fazeel, Bise, Ryoma, Iwashita, Yuichiro, Nishimura, Kazuya, Dengel, Andreas, Asim, Muhammad Nabeel
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Large-Scale Comparative Analysis of Imputation Methods for Single-Cell RNA Sequencing Data
von: Iwashita, Yuichiro, et al.
Veröffentlicht: (2026)

Learning Relative Gene Expression Trends from Pathology Images in Spatial Transcriptomics
von: Nishimura, Kazuya, et al.
Veröffentlicht: (2025)

Auxiliary Gene Learning: Spatial Gene Expression Estimation by Auxiliary Gene Selection
von: Shiku, Kaito, et al.
Veröffentlicht: (2025)

Cell Tracking in C. elegans with Cell Position Heatmap-Based Alignment and Pairwise Detection
von: Shiku, Kaito, et al.
Veröffentlicht: (2024)

Ordinal Multiple-instance Learning for Ulcerative Colitis Severity Estimation with Selective Aggregated Transformer
von: Shiku, Kaito, et al.
Veröffentlicht: (2024)

Towards Spatial Transcriptomics-guided Pathological Image Recognition with Batch-Agnostic Encoder
von: Nishimura, Kazuya, et al.
Veröffentlicht: (2025)

Leveraging Spatial Transcriptomics as Alternative to Manual Annotations for Deep Learning-Based Nuclei Analysis
von: Nishimura, Kazuya, et al.
Veröffentlicht: (2026)

Counting Network for Learning from Majority Label
von: Shiku, Kaito, et al.
Veröffentlicht: (2024)

Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning
von: Kaito, Shiku, et al.
Veröffentlicht: (2025)

Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images
von: Nishimura, Kazuya, et al.
Veröffentlicht: (2026)

Leveraging Vision-Language Models as Weak Annotators in Active Learning
von: Nguyen, Phuong Ngoc, et al.
Veröffentlicht: (2026)

Hypernetwork-Based Adaptive Aggregation for Multimodal Multiple-Instance Learning in Predicting Coronary Calcium Debulking
von: Shiku, Kaito, et al.
Veröffentlicht: (2026)

Multi-Task Learning for Affect Analysis
von: Asim, Fazeel
Veröffentlicht: (2024)

Domain Adaptation for Ulcerative Colitis Severity Estimation Using Patient-Level Diagnoses
von: Yamaguchi, Takamasa, et al.
Veröffentlicht: (2025)

Proportion Estimation by Masked Learning from Label Proportion
von: Okuo, Takumi, et al.
Veröffentlicht: (2024)

Horseshoe Mixtures-of-Experts (HS-MoE)
von: Polson, Nick, et al.
Veröffentlicht: (2026)

$\infty$-MoE: Generalizing Mixture of Experts to Infinite Experts
von: Takashiro, Shota, et al.
Veröffentlicht: (2026)

PassionNet: An Innovative Framework for Duplicate and Conflicting Requirements Identification
von: Saleem, Summra, et al.
Veröffentlicht: (2024)

Cell Instance Segmentation via Multi-Task Image-to-Image Schrödinger Bridge
von: Inoue, Hayato, et al.
Veröffentlicht: (2026)

MH-MoE: Multi-Head Mixture-of-Experts
von: Huang, Shaohan, et al.
Veröffentlicht: (2024)

MoE-Loco: Mixture of Experts for Multitask Locomotion
von: Huang, Runhan, et al.
Veröffentlicht: (2025)

Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models
von: Jiang, Songtao, et al.
Veröffentlicht: (2024)

MoE++: Accelerating Mixture-of-Experts Methods with Zero-Computation Experts
von: Jin, Peng, et al.
Veröffentlicht: (2024)

MoBE: Mixture-of-Basis-Experts for Compressing MoE-based LLMs
von: Chen, Xiaodong, et al.
Veröffentlicht: (2025)

Mixture of Experts (MoE): A Big Data Perspective
von: Gan, Wensheng, et al.
Veröffentlicht: (2025)

SDG-MoE: Signed Debate Graph Mixture-of-Experts
von: Kulibaba, Stepan, et al.
Veröffentlicht: (2026)

ECG-MoE: Mixture-of-Expert Electrocardiogram Foundation Model
von: Xu, Yuhao, et al.
Veröffentlicht: (2026)

MoE-GS: Mixture of Experts for Dynamic Gaussian Splatting
von: Jin, In-Hwan, et al.
Veröffentlicht: (2025)

DAG-MoE: From Simple Mixture to Structural Aggregation in Mixture-of-Experts
von: Feng, Jiarui, et al.
Veröffentlicht: (2026)

DA-MoE: Towards Dynamic Expert Allocation for Mixture-of-Experts Models
von: Aghdam, Maryam Akhavan, et al.
Veröffentlicht: (2024)

SEER-MoE: Sparse Expert Efficiency through Regularization for Mixture-of-Experts
von: Muzio, Alexandre, et al.
Veröffentlicht: (2024)

Hierarchical Co-Embedding of Font Shapes and Impression Tags
von: Kubota, Yugo, et al.
Veröffentlicht: (2026)

PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts
von: Su, Yang, et al.
Veröffentlicht: (2025)

Hexa-MoE: Efficient and Heterogeneous-aware Training for Mixture-of-Experts
von: Luo, Shuqing, et al.
Veröffentlicht: (2024)

Linear-MoE: Linear Sequence Modeling Meets Mixture-of-Experts
von: Sun, Weigao, et al.
Veröffentlicht: (2025)

Astro-MoE: Mixture of Experts for Multiband Astronomical Time Series
von: Cádiz-Leyton, Martina, et al.
Veröffentlicht: (2025)

Uni-MoE: Scaling Unified Multimodal LLMs with Mixture of Experts
von: Li, Yunxin, et al.
Veröffentlicht: (2024)

Pangu Pro MoE: Mixture of Grouped Experts for Efficient Sparsity
von: Tang, Yehui, et al.
Veröffentlicht: (2025)

CP-MoE: Consistency-Preserving Mixture-of-Experts for Continual Learning
von: Liu, Yang, et al.
Veröffentlicht: (2026)

Elastic MoE: Unlocking the Inference-Time Scalability of Mixture-of-Experts
von: Gu, Naibin, et al.
Veröffentlicht: (2025)