Fugu-MT 論文翻訳(概要): Semi-supervised classification using a supervised autoencoder for biomedical applications

論文の概要: Semi-supervised classification using a supervised autoencoder for biomedical applications

arxiv url: http://arxiv.org/abs/2208.10315v1
Date: Mon, 22 Aug 2022 13:51:00 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 12:47:21.879227
Title: Semi-supervised classification using a supervised autoencoder for biomedical applications
Title（参考訳）: バイオメディカル応用のための教師付きオートエンコーダを用いた半教師付き分類
Authors: Cyprien Gille, Frederic Guyard and Michel Barlaud
Abstract要約: 私たちは、ラベルをオートエンコーダの潜在空間にエンコードするネットワークアーキテクチャを作成します。学習したネットワークを用いて未学習のサンプルを分類する。
参考スコア（独自算出の注目度）: 2.578242050187029
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we present a new approach to solve semi-supervised classification tasks for biomedical applications, involving a supervised autoencoder network. We create a network architecture that encodes labels into the latent space of an autoencoder, and define a global criterion combining classification and reconstruction losses. We train the Semi-Supervised AutoEncoder (SSAE) on labelled data using a double descent algorithm. Then, we classify unlabelled samples using the learned network thanks to a softmax classifier applied to the latent space which provides a classification confidence score for each class. We implemented our SSAE method using the PyTorch framework for the model, optimizer, schedulers, and loss functions. We compare our semi-supervised autoencoder method (SSAE) with classical semi-supervised methods such as Label Propagation and Label Spreading, and with a Fully Connected Neural Network (FCNN). Experiments show that the SSAE outperforms Label Propagation and Spreading and the Fully Connected Neural Network both on a synthetic dataset and on two real-world biological datasets.
Abstract（参考訳）: 本稿では,バイオメディカル応用のための半教師付き分類タスクを,教師付きオートエンコーダネットワークを含む新しい手法を提案する。我々は,ラベルをオートエンコーダの潜在空間にエンコードするネットワークアーキテクチャを作成し,分類と再構成損失を組み合わせたグローバル基準を定義する。二重降下アルゴリズムを用いてラベル付きデータ上で,Semi-Supervised AutoEncoder (SSAE) を訓練する。次に,各クラスに分類信頼度スコアを提供する潜在空間に適用したsoftmax分類器を用いて,学習ネットワークを用いてラベルなしサンプルを分類する。モデル,オプティマイザ,スケジューラ,損失関数に対して,PyTorchフレームワークを用いてSSAE方式を実装した。半教師付きオートエンコーダ法(SSAE)と,ラベル伝搬やラベル拡散などの古典的半教師付き手法,および完全連結ニューラルネットワーク(FCNN)を比較した。実験の結果、SSAEは人工データセットと2つの実世界の生物学的データセットの両方で、ラベル伝搬と拡散とフル接続ニューラルネットワークを上回ります。

関連論文リスト

Remote sensing framework for geological mapping via stacked autoencoders and clustering [0.15833270109954137]
リモートセンシングデータを処理するための教師なし機械学習ベースのフレームワークを提案する。オーストラリアのムタウィンチ地域の地質マッピングの枠組みを評価するために,ランドサット8,ASTER,Sentinel-2のデータセットを用いた。本研究により, 岩盤単位を効率的に識別し, 高精度かつ解釈可能な地質図を作成できることが判明した。
論文参考訳（メタデータ） (2024-04-02T09:15:32Z)
ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。最先端のデータセットよりも大幅に向上し、より高速に収束する。
論文参考訳（メタデータ） (2023-03-22T23:51:54Z)
UNFUSED: UNsupervised Finetuning Using SElf supervised Distillation [53.06337011259031]
音声分類に自己教師付き学習を活用する新しい手法UnFuSeDを提案する。エンコーダを用いて、実際の微調整ステップの前に、教師なしの微調整のための擬似ラベルを生成する。 UnFuSeDはLAPEベンチマークで最先端の結果を達成し、すべてのベースラインを大きく上回っている。
論文参考訳（メタデータ） (2023-03-10T02:43:36Z)
S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文参考訳（メタデータ） (2021-11-22T15:49:20Z)
SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文参考訳（メタデータ） (2021-06-29T08:08:33Z)
Conditional Deep Convolutional Neural Networks for Improving the Automated Screening of Histopathological Images [0.76146285961466]
実行時に出力を条件付け可能な条件付き完全畳み込みネットワーク(co-FCN)を提案する。私たちは、CAMELYON17データセットに存在する5つの医療センターのうち3つから、WSI(Whole Slide Images)でそれをトレーニングしました。条件なしのデータセットでトレーニングしたU-Netに対して,提案手法をベンチマークした。
論文参考訳（メタデータ） (2021-05-29T16:42:12Z)
EC-GAN: Low-Sample Classification using Semi-Supervised Algorithms and GANs [0.0]
ラベル付きデータによる分類などの画像解析タスクを可能にするため,半教師付き学習が注目されている。半教師付き分類にgans(generative adrial network)を用いる一般的なアルゴリズムは、分類と識別のための単一のアーキテクチャを共有している。これにより、各タスクごとに別々のデータ分散に収束するモデルが必要になり、全体的なパフォーマンスが低下する可能性がある。完全教師付きタスクの分類を改善するために,GANと半教師付きアルゴリズムを用いた新しいGANモデルであるECGANを提案する。
論文参考訳（メタデータ） (2020-12-26T05:58:00Z)
Joint Optimization of an Autoencoder for Clustering and Embedding [22.16059261437617]
本稿では,自動エンコーダとクラスタリングを同時に学習する代替手法を提案する。この単純なニューラルネットワークはクラスタリングモジュールと呼ばれ、ディープオートエンコーダに統合され、ディープクラスタリングモデルとなる。
論文参考訳（メタデータ） (2020-12-07T14:38:10Z)
Explainable-by-design Semi-Supervised Representation Learning for COVID-19 Diagnosis from CT Imaging [23.918269366873567]
本稿では,変分オートエンコーダを用いて効率的な特徴埋め込みを抽出する半教師付き分類パイプラインに基づく説明可能なディープラーニング手法を提案する。説明可能な分類結果から, 提案する診断システムは, 新型コロナウイルスの分類に極めて有効である。
論文参考訳（メタデータ） (2020-11-23T20:51:22Z)
Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文参考訳（メタデータ） (2020-09-08T21:55:22Z)
Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文参考訳（メタデータ） (2020-06-15T22:22:56Z)

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。