論文の概要: Raman spectroscopy in open world learning settings using the Objectosphere approach

• arxiv url: http://arxiv.org/abs/2111.06268v1
• Date: Thu, 11 Nov 2021 15:20:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 14:09:10.098499
• Title: Raman spectroscopy in open world learning settings using the Objectosphere approach
• Title（参考訳）: Objectosphere を用いたオープンワールド学習環境におけるラマン分光
• Authors: Yaroslav Balytskyi, Justin Bendesky, Tristan Paul, Guy Hagen, Kelly McNear
• Abstract要約: 機械学習と組み合わせたラマン分光法は臨床応用に有益である。 実際には、スペクトルがまだ取られていない物質や、まだ分かっていない物質が常に存在する。 本稿では,最近導入されたEntropic Open SetとObjectosphere損失関数を実装することで,これらの障害を克服できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raman spectroscopy in combination with machine learning has significant promise for applications in clinical settings as a rapid, sensitive, and label-free identification method. These approaches perform well in classifying data that contains classes that occur during the training phase. However, in practice, there are always substances whose spectra have not yet been taken or are not yet known and when the input data are far from the training set and include new classes that were not seen at the training stage, a significant number of false positives are recorded which limits the clinical relevance of these algorithms. Here we show that these obstacles can be overcome by implementing recently introduced Entropic Open Set and Objectosphere loss functions. To demonstrate the efficiency of this approach, we compiled a database of Raman spectra of 40 chemical classes separating them into 20 biologically relevant classes comprised of amino acids, 10 irrelevant classes comprised of bio-related chemicals, and 10 classes that the Neural Network has not seen before, comprised of a variety of other chemicals. We show that this approach enables the network to effectively identify the unknown classes while preserving high accuracy on the known ones, dramatically reducing the number of false positives while preserving high accuracy on the known classes, which will allow this technique to bridge the gap between laboratory experiments and clinical applications.
• Abstract（参考訳）: ラマン分光法と機械学習の組み合わせは、迅速で高感度でラベルなしの識別法として臨床現場での使用に有望である。 これらのアプローチは、トレーニングフェーズ中に発生するクラスを含むデータの分類においてうまく機能する。 しかし、実際には、常にスペクトルが取られていない、あるいはまだ知られていない物質が存在し、入力データがトレーニングセットから遠くて、トレーニング段階では見られなかった新しいクラスを含んでいる場合、これらのアルゴリズムの臨床的妥当性を制限するかなりの数の偽陽性が記録される。 本稿では,最近導入されたEntropic Open SetとObjectosphere損失関数を実装することで,これらの障害を克服できることを示す。 この手法の効率性を示すために,40種類の化学クラスからなるラマンスペクトルのデータベースを,アミノ酸からなる20の生物関連クラス,生物関連化学物質からなる10の無関係クラス,およびニューラルネットワークがこれまで見たことのない10のクラスに分けて,他の化学物質から構成した。 この手法により,未知のクラスを効果的に識別し,既知のクラスに対して高い精度を保ちながら,偽陽性の数を劇的に削減し,既知のクラスで高い精度を保ち,実験と臨床のギャップを埋めることが可能となる。

関連論文リスト

• Affordance Labeling and Exploration: A Manifold-Based Approach [0.0]
  本研究は,対象分類データセットに基づいて訓練された既存ネットワークを用いて,対象物価の探索に焦点をあてる。 訓練済みのネットワークを使用して、特別な層を必要とせず、手頃なラベルを識別する。 サブスペースクラスタリングおよび多様体曲率法は、アベイランスラベルの認識において明確な視点を提供するために試験される。
  論文  参考訳（メタデータ） (2024-07-22T08:46:20Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Enhancing Open-World Bacterial Raman Spectra Identification by Feature Regularization for Improved Resilience against Unknown Classes [0.0]
  従来のクローズドセット分類手法は、全ての試験サンプルが既知の病原体の1つに属すると仮定する。 ラマン分光法による病原体を同定する現在の最先端ニューラルネットワークは未知の入力に対して脆弱であることを示す。 我々はResNetアーキテクチャの新しいアンサンブルと、既存のクローズドワールド手法よりも優れたアテンションメカニズムを組み合わさった。
  論文  参考訳（メタデータ） (2023-10-19T17:19:47Z)
• Knowledge Distillation from Single to Multi Labels: an Empirical Study [14.12487391004319]
  クラス活性化マップ(CAM)に基づく新しい蒸留法を提案する。 以上の結果から,ロジット法はマルチラベル分類に適していないことが示唆された。 そこで本研究では,適切な暗黒知識にクラス情報を導入し,最終分類結果と高い相関性を持たせることを提案する。
  論文  参考訳（メタデータ） (2023-03-15T04:39:01Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• The chemical space of terpenes: insights from data science and AI [0.30458514384586405]
  テルペン(terpenes)は、化学的、生物学的に重要な多様性を持つ天然物の総称である。 私たちは、テルペンの多様性を特定し、コンパイルし、特徴付けるために、データサイエンスベースのアプローチを採用しています。
  論文  参考訳（メタデータ） (2021-10-27T12:27:17Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
  本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。 本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
  論文  参考訳（メタデータ） (2020-02-05T02:06:56Z)

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。