論文の概要: Active Learning to Classify Macromolecular Structures in situ for Less Supervision in Cryo-Electron Tomography

• arxiv url: http://arxiv.org/abs/2102.12040v1
• Date: Wed, 24 Feb 2021 03:10:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 19:34:01.942209
• Title: Active Learning to Classify Macromolecular Structures in situ for Less Supervision in Cryo-Electron Tomography
• Title（参考訳）: 凍結電子トモグラフィにおける多分子構造分類のための能動学習
• Authors: Xuefeng Du, Haohan Wang, Zhenxi Zhu, Xiangrui Zeng, Yi-Wei Chang, Jing Zhang, Eric Xing, Min Xu
• Abstract要約: 大規模非ラベル付きサブトモグラムプールからラベル作成のためのサブトモグラムをクエリするためのフレームワークを提案する。 HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。 halはクエリセットの多様性を改善するためにサブセットサンプリング戦略を導入している。
• 参考スコア（独自算出の注目度）: 18.97783153971551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivation: Cryo-Electron Tomography (cryo-ET) is a 3D bioimaging tool that visualizes the structural and spatial organization of macromolecules at a near-native state in single cells, which has broad applications in life science. However, the systematic structural recognition and recovery of macromolecules captured by cryo-ET are difficult due to high structural complexity and imaging limits. Deep learning based subtomogram classification have played critical roles for such tasks. As supervised approaches, however, their performance relies on sufficient and laborious annotation on a large training dataset. Results: To alleviate this major labeling burden, we proposed a Hybrid Active Learning (HAL) framework for querying subtomograms for labelling from a large unlabeled subtomogram pool. Firstly, HAL adopts uncertainty sampling to select the subtomograms that have the most uncertain predictions. Moreover, to mitigate the sampling bias caused by such strategy, a discriminator is introduced to judge if a certain subtomogram is labeled or unlabeled and subsequently the model queries the subtomogram that have higher probabilities to be unlabeled. Additionally, HAL introduces a subset sampling strategy to improve the diversity of the query set, so that the information overlap is decreased between the queried batches and the algorithmic efficiency is improved. Our experiments on subtomogram classification tasks using both simulated and real data demonstrate that we can achieve comparable testing performance (on average only 3% accuracy drop) by using less than 30% of the labeled subtomograms, which shows a very promising result for subtomogram classification task with limited labeling resources.
• Abstract（参考訳）: Motivation: Cryo-Electron Tomography (cryo-ET)は、単一細胞におけるマクロ分子の構造と空間構造を可視化する3Dバイオイメージングツールで、生命科学に広く応用されている。 しかし,cryo-etで捕獲された高分子の組織的構造認識と回復は,高い構造的複雑さと撮像限界のため困難である。 深層学習に基づくサブモトグラム分類は、このようなタスクに重要な役割を果たしている。 しかし、教師付きアプローチとして、彼らのパフォーマンスは、大規模なトレーニングデータセットに十分な、そして精巧なアノテーションに依存している。 結果: この大きなラベリング負担を軽減するため,我々は,大きなラベルのないサブトモグラムプールからラベル付けのためのサブトモグラムをクエリするハイブリッドアクティブラーニング(hal)フレームワークを提案した。 第一に、HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。 さらに、そのような戦略によるサンプリングバイアスを軽減するために、あるサブトモグラムがラベル付けされているかラベル付けされていないかを判別するために判別器を導入し、次に、ラベル付けされる確率の高いサブトモグラムを問合せする。 さらにhalは、クエリ集合の多様性を向上させるためにサブセットサンプリング戦略を導入し、クエリされたバッチ間で情報の重なりが減少し、アルゴリズム効率が向上する。 シミュレーションデータと実データの両方を用いたサブトモグラム分類タスクの実験により,ラベル付きサブトモグラムの30%未満を用いて,比較試験性能(平均3%の精度低下)を達成できることが示され,限られたラベル付きリソースでサブトモグラム分類タスクに非常に有望な結果が得られた。

関連論文リスト

• Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning [71.9954600831939]
  実世界の多くのシナリオにおいて、肯定的無ラベル(PU)学習は不可欠であるが、そのグラフデータへの応用は未探索のままである。 グラフ上でのPU学習において重要な課題がエッジヘテロフィリーにあり、クラスプライア推定の既約性前提に直接違反していることを明らかにする。 この課題に対応するために,ラベル伝搬損失(GPL)を用いたグラフPU学習という新しい手法を導入する。
  論文  参考訳（メタデータ） (2024-05-30T10:30:44Z)
• MyriadAL: Active Few Shot Learning for Histopathology [10.652626309100889]
  我々は、Myriad Active Learning (MAL)という、アクティブな数個のショットラーニングフレームワークを導入する。 MALには、コントラスト学習エンコーダ、擬似ラベル生成、ループ内の新しいクエリサンプル選択が含まれている。 2つの公的な病理組織学データセットの実験により、MALは以前の研究に比べてテスト精度、マクロF1スコア、ラベル効率が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-24T20:08:15Z)
• Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
  アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。 HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。 本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
  論文  参考訳（メタデータ） (2023-08-08T03:34:04Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Cryo-shift: Reducing domain shift in cryo-electron subtomograms with unsupervised domain adaptation and randomization [17.921052986098946]
  サブトモグラムの分類と認識は、マクロ分子構造の体系的な回復の第一段階である。 教師付き深層学習法は, サブトモグラム分類において, 精度が高く, 効率的であることが証明されている。 我々は、ディープラーニングに基づくクロスドメインサブトモグラム分類のための、完全に教師なしのドメイン適応およびランダム化フレームワークであるCryo-Shiftを提案する。
  論文  参考訳（メタデータ） (2021-11-17T13:43:36Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Few shot domain adaptation for in situ macromolecule structural classification in cryo-electron tomograms [13.51208578647949]
  我々は深層学習に基づくクロスドメイン・サブトモグラム分類にいくつかのショットドメイン適応法を適用した。 本手法は, ベースライン法と比較して, クロスドメイン・サブトモグラム分類の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2020-07-30T12:39:21Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Exemplar Auditing for Multi-Label Biomedical Text Classification [0.4873362301533824]
  我々は、最近提案されたゼロショットシーケンスラベリング手法「畳み込み分解による教師付きラベリング」を一般化する。 この手法は"イントロスペクション(introspection)"と分類され、推論時間予測のきめ細かい特徴を最も近い隣人に関連付ける。 提案手法は,医療従事者に対して,モデルの予測を駆動する健全な特徴を理解する上で,競争力のある分類モデルと尋問メカニズムの両方を提供する。
  論文  参考訳（メタデータ） (2020-04-07T02:54:20Z)

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。