論文の概要: LogGENE: A smooth alternative to check loss for Deep Healthcare
Inference Tasks
- arxiv url: http://arxiv.org/abs/2206.09333v1
- Date: Sun, 19 Jun 2022 06:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 22:24:50.121644
- Title: LogGENE: A smooth alternative to check loss for Deep Healthcare
Inference Tasks
- Title(参考訳): loggene: 深い医療推論タスクのためのチェックロスのスムーズな代替手段
- Authors: Aryaman Jeendgar, Aditya Pola, Soma S Dhavala, Snehanshu Saha
- Abstract要約: 我々はディープニューラルネットワークに基づく遺伝子発現推論法を開発した。
本研究では,特定のハウスキーピング遺伝子群の完全条件量子化を予測するためにQuantile Regressionフレームワークを採用する。
チェック損失に対するスムーズな代替として,log-coshを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-throughput Genomics is ushering a new era in personalized health care,
and targeted drug design and delivery. Mining these large datasets, and
obtaining calibrated predictions is of immediate relevance and utility. In our
work, we develop methods for Gene Expression Inference based on Deep neural
networks. However, unlike typical Deep learning methods, our inferential
technique, while achieving state-of-the-art performance in terms of accuracy,
can also provide explanations, and report uncertainty estimates. We adopt the
Quantile Regression framework to predict full conditional quantiles for a given
set of house keeping gene expressions. Conditional quantiles, in addition to
being useful in providing rich interpretations of the predictions, are also
robust to measurement noise. However, check loss, used in quantile regression
to drive the estimation process is not differentiable. We propose log-cosh as a
smooth-alternative to the check loss. We apply our methods on GEO microarray
dataset. We also extend the method to binary classification setting.
Furthermore, we investigate other consequences of the smoothness of the loss in
faster convergence.
- Abstract(参考訳): ハイスループットのGenomicsは、パーソナライズされたヘルスケアの新しい時代を築き、ドラッグのデザインとデリバリーをターゲットとしている。
これらの大きなデータセットをマイニングし、キャリブレーションされた予測を取得することは、直ちに妥当性と有用性である。
本研究では,ディープニューラルネットワークに基づく遺伝子発現推論手法を開発した。
しかし,従来のディープラーニング手法と異なり,我々の推論手法は,最先端の性能を精度で達成しつつ,説明や不確実性評価の報告も可能である。
本研究では,特定のハウスキーピング遺伝子群の完全条件量子化を予測するためにQuantile Regressionフレームワークを採用する。
条件量子は、予測の豊かな解釈を提供するのに有用であるだけでなく、ノイズの測定にも堅牢である。
しかし、量的回帰で推定プロセスを駆動するために使われるチェック損失は、微分不可能である。
チェック損失に対するスムーズな代替手段としてlog-coshを提案する。
本手法をGEOマイクロアレイデータセットに適用する。
また、メソッドをバイナリ分類設定に拡張する。
さらに、高速収束における損失の滑らかさの他の結果についても検討する。
関連論文リスト
- Semi-Supervised Deep Regression with Uncertainty Consistency and
Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。
整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。
実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-15T10:40:51Z) - IB-UQ: Information bottleneck based uncertainty quantification for
neural function regression and neural operator learning [11.5992081385106]
本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。
我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。
また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
論文 参考訳(メタデータ) (2023-02-07T05:56:42Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection [0.0]
不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
論文 参考訳(メタデータ) (2021-09-20T08:50:21Z) - Risk Minimization from Adaptively Collected Data: Guarantees for
Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。
本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。
政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文 参考訳(メタデータ) (2021-06-03T09:50:13Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。
二項分類設定におけるチェック損失の類似について考察する。
我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
論文 参考訳(メタデータ) (2021-02-09T07:07:42Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Approximate kNN Classification for Biomedical Data [1.1852406625172218]
Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。
scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-03T18:30:43Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。