DR-GEM 论文：降维方法偏心高频样本，漏掉稀有细胞类型
anshulkundaje · x · 2026-09-29
斯坦福团队（Christine Yeh、Min Woo Sun、Dixian Zhu 等，Livnat Jerby 实验室）在 Nature Communications 发表 DR-GEM（Distributionally Robust and latent Group-AwarE consensus Machine learning），一个用于单细胞与空间转录组学的自监督降维与聚类框架。
核心发现：现有降维/聚类方法倾向拟合过采样的类别，把「样本多」当成「重要」，从而漏掉稀有细胞类型与状态——问题不在数据稀缺本身，而在于模型把丰度等同于重要性。
DR-GEM 通过分布鲁棒、群体感知的共识机器学习，让自监督表征学习重新关注表现欠佳但重要的欠代表性区域。作者指出该原则可推广到其他数据不均匀采样的场景：人群队列中的血统分布、罕见疾病内型、欠代表性的蛋白类别等，帮助从更少数据中学到更多。
「研究」频道最新
- 数学家 Kontorovich 剖析 Collatz 论证盲区:同样适用于 3x-1,难以区分轨道根 — AlexKontorovich · 2026-09-29
- 涌现能力被质疑是标注幻象:研究者重提两年前证伪论文 — gerardsans · 2026-09-29
- MHCflurry 2.3 发布:多 GPU 提速并更新久违的模型权重 — iskander · 2026-09-29
- 2000+导航任务实测：大模型离零样本实时控制还有多远 — PaulYacoubian · 2026-09-29
- 微软亚洲研究院新加坡分部一周年：医疗多模态 AI 落地与 75+ 合作项目 — Microsoft Research · 2026-09-29
- COLM 口头报告论文:用效度检验审问 56 个 AI 基准,结果出人意料 — ang3linawang · 2026-09-29