論文の概要: Interpretable Classification of Bacterial Raman Spectra with Knockoff
Wavelets
- arxiv url: http://arxiv.org/abs/2006.04937v3
- Date: Sun, 2 May 2021 02:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 02:37:51.616601
- Title: Interpretable Classification of Bacterial Raman Spectra with Knockoff
Wavelets
- Title（参考訳）: ノックオフウェーブレットを用いた細菌ラマンスペクトルの解釈可能な分類
- Authors: Charmaine Chia, Matteo Sesia, Chi-Sing Ho, Stefanie S. Jeffrey,
Jennifer Dionne, Emmanuel J. Cand\`es, Roger T. Howe
- Abstract要約: 高速ラマン分光データを考察し、慎重に選択された特徴を持つロジスティック回帰モデルがニューラルネットワークと同等の精度を達成することを示す。
我々は特定のデータセットに焦点をあてるが、提案手法は解釈可能性が重要である可能性のある他の種類の信号データにも広く適用できる。
- 参考スコア（独自算出の注目度）: 3.8258426534664047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks and other sophisticated machine learning models are
widely applied to biomedical signal data because they can detect complex
patterns and compute accurate predictions. However, the difficulty of
interpreting such models is a limitation, especially for applications involving
high-stakes decision, including the identification of bacterial infections. In
this paper, we consider fast Raman spectroscopy data and demonstrate that a
logistic regression model with carefully selected features achieves accuracy
comparable to that of neural networks, while being much simpler and more
transparent. Our analysis leverages wavelet features with intuitive chemical
interpretations, and performs controlled variable selection with knockoffs to
ensure the predictors are relevant and non-redundant. Although we focus on a
particular data set, the proposed approach is broadly applicable to other types
of signal data for which interpretability may be important.
- Abstract（参考訳）: 深層ニューラルネットワークやその他の高度な機械学習モデルは、複雑なパターンを検出し正確な予測を計算できるため、生体信号データに広く適用されている。
しかし、特に細菌感染の同定を含む、高リスク決定を含む応用においては、そのようなモデル解釈の困難さは限界である。
本稿では,高速ラマン分光データについて考察し,よりシンプルで透明なニューラルネットワークと同等の精度を,慎重に選択された特徴を持つロジスティック回帰モデルが達成できることを実証する。
本分析では,ウェーブレットの特徴を直感的な化学解釈で活用し,制御変数の選択をノックオフで行い,予測器が適切で冗長でないことを保証する。
我々は特定のデータセットに焦点をあてるが、提案手法は解釈可能性が重要である可能性のある他の種類の信号データにも広く適用できる。
関連論文リスト
- Data Augmentation Scheme for Raman Spectra with Highly Correlated
Annotations [0.23090185577016453]
統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。
これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-02-01T18:46:28Z) - On the Interplay of Subset Selection and Informed Graph Neural Networks [3.091456764812509]
この研究は、QM9データセットにおける分子の原子化エネルギーの予測に焦点を当てている。
トレーニングセット選択過程における分子多様性の最大化は,線形回帰法および非線形回帰法のロバスト性を高めることを示す。
また、モデルに依存しない説明器を用いて、グラフニューラルネットワークによる予測の信頼性を確認する。
論文 参考訳（メタデータ） (2023-06-15T09:09:27Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Model discovery in the sparse sampling regime [0.0]
深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。
その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。
我々は合成集合と実験集合の両方について主張する。
論文 参考訳（メタデータ） (2021-05-02T06:27:05Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。