Fugu-MT 論文翻訳(概要): Classifying bacteria clones using attention-based deep multiple instance learning interpreted by persistence homology

論文の概要: Classifying bacteria clones using attention-based deep multiple instance learning interpreted by persistence homology

arxiv url: http://arxiv.org/abs/2012.01189v1
Date: Wed, 2 Dec 2020 13:20:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-30 11:44:47.182706
Title: Classifying bacteria clones using attention-based deep multiple instance learning interpreted by persistence homology
Title（参考訳）: パーシステンスホモロジーによる注意に基づく深層多重インスタンス学習による細菌クローンの分類
Authors: Adriana Borowa, Dawid Rymarczyk, Dorota Ocho\'nska, Monika Brzychczy-W{\l}och, Bartosz Zieli\'nski
Abstract要約: これは難しい課題であり、以前は高いクローンの類似性のために不可能と考えられていた。本稿では、CellProfilerと永続化ホモロジーに基づく広範囲な解釈可能性を導入し、モデルの理解可能性と信頼性を高める。
参考スコア（独自算出の注目度）: 2.094672430475796
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we analyze if it is possible to distinguish between different clones of the same bacteria species (Klebsiella pneumoniae) based only on microscopic images. It is a challenging task, previously considered impossible due to the high clones similarity. For this purpose, we apply a multi-step algorithm with attention-based multiple instance learning. Except for obtaining accuracy at the level of 0.9, we introduce extensive interpretability based on CellProfiler and persistence homology, increasing the understandability and trust in the model.
Abstract（参考訳）: 本研究は、顕微鏡画像のみに基づいて、同じ細菌種(Klebsiella pneumoniae)の異なるクローンを区別できるかどうかを解析する。これは難しい課題であり、以前は高いクローンの類似性のため不可能と考えられていた。この目的のために,注意に基づく複数インスタンス学習を用いたマルチステップアルゴリズムを適用する。 0.9のレベルで精度を得る以外は,cellprofiler と persistence homology に基づく広範な解釈可能性を導入し,モデルの理解性と信頼度を高めた。

関連論文リスト

CLIBD: Bridging Vision and Genomics for Biodiversity Monitoring at Scale [21.995678534789615]
コントラスト学習を用いて画像、バーコードDNA、および統合埋め込み空間における分類ラベルのテキストベース表現を整列する。本手法は、ゼロショット学習タスクにおいて、従来の単一モダリティアプローチを8%以上精度で上回る。
論文参考訳（メタデータ） (2024-05-27T17:57:48Z)
Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
論文参考訳（メタデータ） (2024-03-26T12:20:10Z)
Kernel-Based Testing for Single-Cell Differential Analysis [23.769396655341204]
非線形な細胞分布比較のためのカーネルテストフレームワークを提案する。本手法は, 細胞集団の多様性を明らかにするため, 機能的およびグローバルなトランスクリプトーム/エポジェノムの比較を可能にする。
論文参考訳（メタデータ） (2023-07-17T14:10:01Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文参考訳（メタデータ） (2022-01-18T21:40:36Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Deep Learning to Detect Bacterial Colonies for the Production of Vaccines [0.0]
本研究は, 病原性コロニーと非病原性コロニーの区別を許容精度で行うことが可能であることを示す。探索には多くの可能性が残されているが,本研究の結果は,細菌コロニーの分離・分類における深層学習の可能性を示している。
論文参考訳（メタデータ） (2020-09-02T10:10:43Z)
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文参考訳（メタデータ） (2020-07-23T14:00:34Z)
Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。単純な極大解は様々な微分可能なモデルに適用できる。
論文参考訳（メタデータ） (2020-04-14T06:18:50Z)
Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文参考訳（メタデータ） (2020-03-31T06:03:51Z)

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。