論文の概要: Anchoring to Exemplars for Training Mixture-of-Expert Cell Embeddings

• arxiv url: http://arxiv.org/abs/2112.03208v1
• Date: Mon, 6 Dec 2021 18:05:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 17:54:54.618859
• Title: Anchoring to Exemplars for Training Mixture-of-Expert Cell Embeddings
• Title（参考訳）: 混合培養細胞の培養訓練のためのexemplarへのアンカー
• Authors: Siqi Wang, Manyuan Lu, Nikita Moshkov, Juan C. Caicedo, Bryan A. Plummer
• Abstract要約: そこで本研究では,トレーニングセットの技術的な変化を捉えた専門家の集合を学習し,テスト時に専門家の予測を集約する埋め込み学習アプローチを提案する。 我々は,薬物発見,細胞治療の真の作用機序の同定における性能の向上など,3つの課題に対するアプローチを5.5-11%の精度で評価した。
• 参考スコア（独自算出の注目度）: 15.964908790433855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analyzing the morphology of cells in microscopy images can provide insights into the mechanism of compounds or the function of genes. Addressing this task requires methods that can not only extract biological information from the images, but also ignore technical variations, ie, changes in experimental procedure or differences between equipments used to collect microscopy images. We propose Treatment ExemplArs with Mixture-of-experts (TEAMs), an embedding learning approach that learns a set of experts that are specialized in capturing technical variations in our training set and then aggregates specialist's predictions at test time. Thus, TEAMs can learn powerful embeddings with less technical variation bias by minimizing the noise from every expert. To train our model, we leverage Treatment Exemplars that enable our approach to capture the distribution of the entire dataset in every minibatch while still fitting into GPU memory. We evaluate our approach on three datasets for tasks like drug discovery, boosting performance on identifying the true mechanism of action of cell treatments by 5.5-11% over the state-of-the-art.
• Abstract（参考訳）: 顕微鏡画像における細胞の形態解析は、化合物の機構や遺伝子の機能に関する洞察を与えることができる。 この課題に対処するには、画像から生物学的情報を取り出すだけでなく、技術的なバリエーション、実験手順の変更、顕微鏡画像の収集に使われる機器の違いを無視する手法が必要である。 訓練セットの技術的なバリエーションを捉え、テスト時に専門家の予測を集約する専門家のセットを学ぶ、組込み学習アプローチであるmixed-of-experts (teams) による治療例を提案する。 したがってTEAMは、専門家全員のノイズを最小限に抑えることで、技術的偏差の少ない強力な埋め込みを学習することができる。 モデルのトレーニングには、GPUメモリに収まることなく、ミニバッチ毎にデータセット全体の分布をキャプチャするアプローチを可能にする、Process Exemplarsを活用しています。 我々は,薬物発見,細胞治療の真の作用機序の同定における性能の向上など,3つの課題に対するアプローチを5.5-11%の精度で評価した。

関連論文リスト

• Weakly Supervised Set-Consistency Learning Improves Morphological Profiling of Single-Cell Images [0.6491172192043603]
  単一セル画像における摂動効果の学習表現を改善するために,設定レベルの整合性学習アルゴリズムset-DINOを提案する。 5000以上の遺伝的摂動を伴う大規模光ポーリングスクリーニングデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-06-08T00:53:30Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Domain adaptation using optimal transport for invariant learning using histopathology datasets [13.133231212085988]
  病理組織学は癌を含む多くの疾患の診断に重要である。 計算技術はバッチ効果によって制限され、準備プロトコルやスキャナの違いのような技術的な要素がスライドの外観を変える。 そこで本研究では,未確認施設のデータに対する組織モデルの一般化を改善するための領域適応手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T22:19:19Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• 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)
• Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian Processes to Hypothesis Learning [0.0]
  ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。 これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
  論文  参考訳（メタデータ） (2022-05-30T23:01:41Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。

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。