Fugu-MT 論文翻訳(概要): Extending the Relative Seriality Formalism for Interpretable Deep Learning of Normal Tissue Complication Probability Models

論文の概要: Extending the Relative Seriality Formalism for Interpretable Deep Learning of Normal Tissue Complication Probability Models

arxiv url: http://arxiv.org/abs/2111.12854v1
Date: Thu, 25 Nov 2021 00:34:46 GMT
ステータス: 処理完了
システム内更新日: 2021-11-29 18:14:14.570740
Title: Extending the Relative Seriality Formalism for Interpretable Deep Learning of Normal Tissue Complication Probability Models
Title（参考訳）: 正常組織合併症確率モデルの解釈可能な深層学習のための相対的シリアリティ形式の拡張
Authors: Tahir I. Yusufaly
Abstract要約: Kallmanらの相対直列モデルは、単純な畳み込みニューラルネットワークに正確に対応していることを示す。このアプローチは、畳み込み層と積み重ねた中間プール層におけるフィードフォワード結合を、傍観者効果や階層的な組織構造の観点から自然に解釈する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We formally demonstrate that the relative seriality model of Kallman, et al. maps exactly onto a simple type of convolutional neural network. This approach leads to a natural interpretation of feedforward connections in the convolutional layer and stacked intermediate pooling layers in terms of bystander effects and hierarchical tissue organization, respectively. These results serve as proof-of-principle for radiobiologically interpretable deep learning of normal tissue complication probability using large-scale imaging and dosimetry datasets.
Abstract（参考訳）: 我々は、Kallmanらの相対直列モデルが、単純な畳み込みニューラルネットワークに正確にマッピングできることを正式に証明した。このアプローチは, 畳み込み層と積み重ねた中間プール層におけるフィードフォワード結合を, それぞれバイスタンダー効果と階層組織組織の観点から自然に解釈する。これらの結果は、大規模イメージングと線量計データセットを用いて、放射線生物学的に解釈可能な正常組織複雑確率の深層学習の基礎となる。

関連論文リスト

Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文参考訳（メタデータ） (2024-10-01T19:02:06Z)
A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。我々はこの現象を階層的なデータ生成モデルで研究する。本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
論文参考訳（メタデータ） (2024-02-26T19:52:33Z)
Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文参考訳（メタデータ） (2024-01-04T08:46:39Z)
Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
本稿では,病変欠損モデル比較のための包括的枠組みを提案する。また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。我々の分析は、このアプローチの広く採用されていることを正当化する。
論文参考訳（メタデータ） (2023-05-27T13:49:35Z)
Neural-based classification rule learning for sequential data [0.0]
本稿では,ルールに基づく二項分類のための局所パターンとグローバルパターンの両方を識別する,新しい可微分完全解釈法を提案する。解釈可能なニューラルネットワークを備えた畳み込みバイナリニューラルネットワークと、動的に強化された間隔に基づくトレーニング戦略で構成されている。合成データセットおよびオープンソースペプチドデータセットに対するアプローチの有効性と有用性を示す。
論文参考訳（メタデータ） (2023-02-22T11:05:05Z)
Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文参考訳（メタデータ） (2022-02-10T09:30:31Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Decontextualized learning for interpretable hierarchical representations of visual patterns [0.0]
本稿では、この問題に対処するために設計されたアルゴリズムと訓練パラダイムについて述べる。 DHRLは、小さなデータセットの制限に対処し、階層的に整理された一連の不整合を奨励する。変分推論を用いた複雑な階層パターン解析のためのトラクタブルパスの提供に加えて、このアプローチは生成的であり、経験的および理論的アプローチと直接結合することができる。
論文参考訳（メタデータ） (2020-08-31T14:47:55Z)
Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文参考訳（メタデータ） (2020-08-02T11:19:36Z)
Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。