論文の概要: Latent Feature Representation via Unsupervised Learning for Pattern
Discovery in Massive Electron Microscopy Image Volumes
- arxiv url: http://arxiv.org/abs/2012.12175v1
- Date: Tue, 22 Dec 2020 17:14:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:36:05.014657
- Title: Latent Feature Representation via Unsupervised Learning for Pattern
Discovery in Massive Electron Microscopy Image Volumes
- Title（参考訳）: 大規模電子顕微鏡画像のパターン発見のための教師なし学習による潜在特徴表現
- Authors: Gary B Huang and Huei-Fang Yang and Shin-ya Takemura and Pat Rivlin
and Stephen M Plaza
- Abstract要約: 特に,データセットにおける意味的類似性を捉える潜在表現を学ぶための教師なしのディープラーニングアプローチを提案する。
動物脳の比較的小さな部分でもテラバイトの画像を要求できるナノスケールの電子顕微鏡データに適用する手法の有用性を実証する。
- 参考スコア（独自算出の注目度）: 4.278591555984395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a method to facilitate exploration and analysis of new large data
sets. In particular, we give an unsupervised deep learning approach to learning
a latent representation that captures semantic similarity in the data set. The
core idea is to use data augmentations that preserve semantic meaning to
generate synthetic examples of elements whose feature representations should be
close to one another.
We demonstrate the utility of our method applied to nano-scale electron
microscopy data, where even relatively small portions of animal brains can
require terabytes of image data. Although supervised methods can be used to
predict and identify known patterns of interest, the scale of the data makes it
difficult to mine and analyze patterns that are not known a priori. We show the
ability of our learned representation to enable query by example, so that if a
scientist notices an interesting pattern in the data, they can be presented
with other locations with matching patterns. We also demonstrate that
clustering of data in the learned space correlates with biologically-meaningful
distinctions. Finally, we introduce a visualization tool and software ecosystem
to facilitate user-friendly interactive analysis and uncover interesting
biological patterns. In short, our work opens possible new avenues in
understanding of and discovery in large data sets, arising in domains such as
EM analysis.
- Abstract（参考訳）: 本稿では,新しい大規模データセットの探索と解析を容易にする手法を提案する。
特に,データセットにおける意味的類似性を捉える潜在表現を学ぶための教師なしのディープラーニングアプローチを提案する。
中心となるアイデアは、意味的意味を保存するデータ拡張を使用して、特徴表現が互いに近いべき要素の合成例を生成することだ。
動物脳の比較的小さな部分でもテラバイトの画像を要求できるナノスケールの電子顕微鏡データに適用する手法の有用性を実証する。
教師付き手法は既知の関心のあるパターンの予測と識別に使用できるが、データのスケールは、事前性が知られていないパターンの発掘と分析を困難にする。
学習した表現が例によってクエリを可能にする能力を示すので、科学者がデータ中の興味深いパターンに気付くと、一致するパターンで他の場所に表示できる。
また、学習空間におけるデータのクラスタリングは生物学的に意味のある区別と相関することを示した。
最後に、ユーザフレンドリなインタラクティブ分析と興味深い生物学的パターンの発見を容易にする可視化ツールとソフトウェアエコシステムを導入する。
要するに、我々の研究は、EM分析などの領域で生じる大規模なデータセットの理解と発見の新たな道を開く。
関連論文リスト
- Interactive dense pixel visualizations for time series and model attribution explanations [8.24039921933289]
DAVOTSは、生の時系列データ、ニューラルネットワークのアクティベーション、高密度ピクセル可視化における属性を探索する、インタラクティブなビジュアル分析アプローチである。
可視化されたデータドメインにクラスタリングアプローチを適用し、グループをハイライトし、個々のデータ探索と組み合わせたデータ探索のための順序付け戦略を示す。
論文 参考訳（メタデータ） (2024-08-27T14:02:21Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - Generation of microbial colonies dataset with deep learning style
transfer [0.0]
深層学習モデルの学習に使用できるペトリ料理の微生物学的画像の合成データセットを作成するための戦略を導入する。
本手法は, 5種類の微生物の局在, セグメンテーション, 分類が可能なニューラルネットワークモデルのトレーニングに使用できる, リアルな画像のデータセットを合成できることを示す。
論文 参考訳（メタデータ） (2021-11-06T03:11:01Z) - Beyond Tracking: Using Deep Learning to Discover Novel Interactions in
Biological Swarms [3.441021278275805]
本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。
結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。
これは、行動生態学における人工知能の例である。
論文 参考訳（メタデータ） (2021-08-20T22:50:41Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-07-01T09:26:13Z) - Prototypical Representation Learning for Relation Extraction [56.501332067073065]
本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。
文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。
いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-03-22T08:11:43Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - FDive: Learning Relevance Models using Pattern-based Similarity Measures [27.136998442865217]
FDiveは視覚的に探索可能な関連モデルの作成を支援する視覚的能動学習システムである。
最適な類似度尺度に基づいて、インタラクティブな自己組織化マップベースの関連モデルを算出する。
また、その正確性を改善するために、さらに関連性フィードバックを自動で促す。
論文 参考訳（メタデータ） (2019-07-29T15:37:43Z)
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。