KI News: Kurz und klar.

In der Graphenverarbeitung stellt die Imputation fehlender Knoteneigenschaften ein großes Problem dar, besonders wenn mehr als 90 % der Daten fehlen. Traditionelle Ansätze, die auf latenten Darstellungen oder globaler Diffusion beruhen, liefern häufig unzuverlässige Schätzungen und können Fehler im gesamten Netzwerk verbreiten.

In der Analyse von Einzelzellsequenzen stellen fehlende Daten ein zentrales Hindernis dar. Traditionelle Imputationsmethoden gehen häufig von einer gleichmäßigen Datenverteilung aus und können große, zusammenhängende Datenlücken nicht zuverlässig schließen. Das neue Verfahren CROT (Cluster‑regularized Optimal Transport) löst dieses Problem, indem es die strukturelle Zusammenhänge in den Daten nutzt und fehlende Patch‑Regionen gezielt interpoliert.

In einer häufigen Herausforderung der Domain‑Adaptation fehlt die Zielvariable im Zielbereich, obwohl sie im Quell Tun beobachtet wird. Forscher haben einen Ansatz entwickelt, um diese Variable aus den übrigen beobachteten Merkmalen unter verschiedenen Verschiebungen zu schätzen.

Wissenschaftler haben ein innovatives Modell entwickelt, das die Rekonstruktion und Imputation von physiologischen Zeitreihen revolutioniert. Durch die Kombination von Diffusionsmodellen mit einem Mixture-of-Experts-Ansatz (MoE) können nun präzisere Vorhersagen für multivariate, hochvariierende und stark verrauschte medizinische Signale erzielt werden.

Single‑Cell‑RNA‑Sequencing (scRNA‑seq) liefert hochauflösende Transkriptomdaten, doch häufige Dropout‑Ereignisse verbergen wichtige biologische Signale. Mit dem neuen Ansatz SCR‑MF adressiert die Forschung dieses Problem gezielt.