論文の概要: Artificial Neural Network Approach for the Identification of Clove Buds Origin Based on Metabolites Composition

• arxiv url: http://arxiv.org/abs/2007.05125v1
• Date: Fri, 10 Jul 2020 00:55:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:24:01.169483
• Title: Artificial Neural Network Approach for the Identification of Clove Buds Origin Based on Metabolites Composition
• Title（参考訳）: 人工ニューラルネットワークによる代謝物組成に基づくクローン芽の同定
• Authors: Rustam and Agus Yodi Gunawan and Made Tri Ari Penia Kresnowati
• Abstract要約: 本稿では, 人工ニューラルネットワークを用いて, 代謝物組成に基づくクローブ芽の起源を同定する。 その結果, 1層と2層に隠された層によるバックプロパゲーションとレジリエントな伝播が, クローブ芽の起源を正確に同定できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper examines the use of artificial neural network approach in identifying the origin of clove buds based on metabolites composition. Generally, large data sets are critical for accurate identification. Machine learning with large data sets lead to precise identification based on origins. However, clove buds uses small data sets due to lack of metabolites composition and their high cost of extraction. The results show that backpropagation and resilient propagation with one and two hidden layers identifies clove buds origin accurately. The backpropagation with one hidden layer offers 99.91% and 99.47% for training and testing data sets, respectively. The resilient propagation with two hidden layers offers 99.96% and 97.89% accuracy for training and testing data sets, respectively.
• Abstract（参考訳）: 本稿では,人工ニューラルネットワークを用いた代謝物組成に基づくクローン芽の起源同定について検討する。 一般に、大きなデータセットは正確な識別に不可欠である。 大きなデータセットを持つ機械学習は、起源に基づく正確な識別につながる。 しかし、clove budsは代謝物組成の欠如と高い抽出コストのため、小さなデータセットを使用する。 その結果, 1層と2層の隠れた層を持つバックプロパゲーションと弾力性のある伝播はクローブ芽の起源を正確に同定できることがわかった。 1つの隠蔽層によるバックプロパゲーションは、それぞれ99.91%と99.47%のトレーニングデータセットとテストデータセットを提供する。 2つの隠蔽層によるレジリエントな伝播は、それぞれ99.96%と97.89%の精度でデータセットのトレーニングとテストを行う。

関連論文リスト

• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
  我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。 光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。 機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
  論文  参考訳（メタデータ） (2024-07-08T19:46:31Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Reconstructing Training Data from Model Gradient, Provably [68.21082086264555]
  ランダムに選択されたパラメータ値で1つの勾配クエリからトレーニングサンプルを再構成する。 センシティブなトレーニングデータを示す証明可能な攻撃として、われわれの発見はプライバシーに対する深刻な脅威を示唆している。
  論文  参考訳（メタデータ） (2022-12-07T15:32:22Z)
• Palm Vein Recognition via Multi-task Loss Function and Attention Layer [3.265773263570237]
  本稿では,VGG-16伝達学習の融合注意機構に基づく畳み込みニューラルネットワークを,赤外線ヤシ静脈データセットの特徴抽出ネットワークとして利用する。 モデルのロバスト性を検証するため、異なるソースからのデータセットに対していくつかの実験を行った。 同時に、マッチングは高効率であり、ヤシ静脈対あたり平均0.13秒かかる。
  論文  参考訳（メタデータ） (2022-11-11T02:32:49Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction [3.499870393443268]
  ディープラーニングのアプローチは、人間による試行錯誤なしに薬物とタンパク質の相互作用を予測できる。 本稿では,小さなラベル付きデータセットで優れた性能を示すディープラーニングフレームワークを構築するための2つの手法を提案する。
  論文  参考訳（メタデータ） (2020-12-15T10:24:34Z)
• Learning Realistic Patterns from Unrealistic Stimuli: Generalization and Data Anonymization [0.5091527753265949]
  本研究は、匿名化されたデータ合成において、サードパーティがそのようなプライベートデータから恩恵を受けられるような、シンプルかつ非従来的なアプローチについて検討する。 オープンおよび大規模臨床研究の睡眠モニタリングデータを用いて,(1)エンドユーザーが睡眠時無呼吸検出のためにカスタマイズされた分類モデルを作成し,有効活用できるかどうかを評価し,(2)研究参加者の身元を保護した。
  論文  参考訳（メタデータ） (2020-09-21T16:31:21Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。