Neighbor-Contrastive Heterogeneous Graph Learning for Spatially Coherent Representation of Single-Cell Data
Este artigo propõe o Aprendizado de Grafos Heterogêneos por Contraste de Vizinhança, um método que substitui a discriminação de instância padrão por positivos de adjacência espacial para aumentar significativamente a coerência espacial e o I de Moran das representações de célula única, reduzindo simultaneamente os custos computacionais, sem comprometer a compacidade ou os escores de silhueta.