論文の概要: Comparing representations of biological data learned with different AI paradigms, augmenting and cropping strategies

• arxiv url: http://arxiv.org/abs/2203.04107v1
• Date: Mon, 7 Mar 2022 14:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 05:41:18.538911
• Title: Comparing representations of biological data learned with different AI paradigms, augmenting and cropping strategies
• Title（参考訳）: 異なるAIパラダイム、強化および収穫戦略で学習した生物学的データの表現の比較
• Authors: Andrei Dmitrenko, Mauro M. Masiero and Nicola Zamboni
• Abstract要約: 我々は、同じ条件下で、770kのがん細胞イメージデータセットに16のディープラーニング設定をトレーニングする。 3つの下流タスク毎に複数のメトリクスを評価することで、学習した表現を比較する。 自己監督型(単純な対照的な学習)モデルでは、競争性能はトレーニングの最大11倍速くなりました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in computer vision and robotics enabled automated large-scale biological image analysis. Various machine learning approaches have been successfully applied to phenotypic profiling. However, it remains unclear how they compare in terms of biological feature extraction. In this study, we propose a simple CNN architecture and implement 4 different representation learning approaches. We train 16 deep learning setups on the 770k cancer cell images dataset under identical conditions, using different augmenting and cropping strategies. We compare the learned representations by evaluating multiple metrics for each of three downstream tasks: i) distance-based similarity analysis of known drugs, ii) classification of drugs versus controls, iii) clustering within cell lines. We also compare training times and memory usage. Among all tested setups, multi-crops and random augmentations generally improved performance across tasks, as expected. Strikingly, self-supervised (implicit contrastive learning) models showed competitive performance being up to 11 times faster to train. Self-supervised regularized learning required the most of memory and computation to deliver arguably the most informative features. We observe that no single combination of augmenting and cropping strategies consistently results in top performance across tasks and recommend prospective research directions.
• Abstract（参考訳）: コンピュータビジョンとロボット工学の最近の進歩により、大規模な生物画像解析が自動化された。 表現型プロファイリングに様々な機械学習アプローチがうまく適用されている。 しかし, 生物学的特徴抽出の観点からどう比較されるかは明らかになっていない。 本研究では,シンプルなCNNアーキテクチャを提案し,4つの異なる表現学習手法を実装した。 770kの癌細胞イメージデータセットに16のディープラーニング設定を同一条件でトレーニングし、異なる増量と収穫戦略を用いた。 3つの下流タスクごとに複数のメトリクスを評価することで、学習した表現を比較する。 一 既知の薬物の距離に基づく類似性分析 二 薬物と対照薬の分類 三 細胞線内に集結すること。 トレーニング時間とメモリ使用量も比較します。 テストされたすべてのセットアップの中で、マルチクロップとランダムな拡張により、予想通りタスク間でのパフォーマンスが向上した。 興味深いことに、自己監督型(単純な対照的な学習)モデルでは、競争性能はトレーニングの最大11倍速くなりました。 自己教師付き正規化学習は、最も有益な機能を提供するために、ほとんどのメモリと計算を必要とした。 強化戦略と切り抜き戦略の組み合わせが、タスク間で一貫してトップパフォーマンスをもたらすことはないことを観察し、今後の研究方向性を推奨する。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• 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)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data [0.0]
  我々は、1M画像データセット上の畳み込みオートエンコーダをランダムな拡張とマルチクロップで訓練し、特徴抽出器として利用する。 我々は,31種類の薬物の時間的パターンをクラスタリングするために,距離に基づく分析と動的時間ゆらぎを用いた。 形態的特徴重要写像の平均値と地雷値について,トップ3分類精度を8%向上させた。
  論文  参考訳（メタデータ） (2022-03-07T14:48:13Z)
• An Analysis on Ensemble Learning optimized Medical Image Classification with Deep Convolutional Neural Networks [0.0]
  本稿では,アンサンブル学習手法の性能に与える影響を再現可能な医用画像分類パイプラインで解析する。 このパイプラインは、最先端のプリプロセスと画像拡張方法、および9つのディープ畳み込みニューラルネットワークアーキテクチャで構成されている。 その結果,Stackingは最大13%のF1スコアアップを達成した。 拡張によって、一貫した改善機能が最大4%向上し、単一のモデルベースのパイプラインにも適用できる。
  論文  参考訳（メタデータ） (2022-01-27T10:56:11Z)
• Semi-Supervising Learning, Transfer Learning, and Knowledge Distillation with SimCLR [2.578242050187029]
  半教師付き学習の分野における最近のブレークスルーは、最先端の従来の教師付き学習手法と一致する結果を得た。 SimCLRは、コンピュータビジョンのための最先端の半教師付き学習フレームワークである。
  論文  参考訳（メタデータ） (2021-08-02T01:37:39Z)
• Self supervised contrastive learning for digital histopathology [0.0]
  我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。 異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。 学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
  論文  参考訳（メタデータ） (2020-11-27T19:18:45Z)

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。