論文の概要: Efficient Classification of SARS-CoV-2 Spike Sequences Using Federated Learning

• arxiv url: http://arxiv.org/abs/2302.08688v2
• Date: Wed, 8 Nov 2023 22:26:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 18:50:29.165836
• Title: Efficient Classification of SARS-CoV-2 Spike Sequences Using Federated Learning
• Title（参考訳）: フェデレートラーニングを用いたSARS-CoV-2スパイクシーケンスの効率的な分類
• Authors: Prakash Chourasia, Taslim Murad, Zahra Tayebi, Sarwan Ali, Imdad Ullah Khan and Murray Patterson
• Abstract要約: データ共有なしでSARS-CoV-2スパイクシーケンスを分散解析する。 我々は、新型コロナウイルスの変種識別タスクにおいて、全体的な精度を93%の精度で達成した。 我々は、この概念実証を利用して、プライバシ保護パンデミック対応戦略を実装する予定です。
• 参考スコア（独自算出の注目度）: 4.497217246897902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a federated learning (FL) approach to train an AI model for SARS-Cov-2 variant classification. We analyze the SARS-CoV-2 spike sequences in a distributed way, without data sharing, to detect different variants of this rapidly mutating coronavirus. Our method maintains the confidentiality of local data (that could be stored in different locations) yet allows us to reliably detect and identify different known and unknown variants of the novel coronavirus SARS-CoV-2. Using the proposed approach, we achieve an overall accuracy of $93\%$ on the coronavirus variant identification task. We also provide details regarding how the proposed model follows the main laws of federated learning, such as Laws of data ownership, data privacy, model aggregation, and model heterogeneity. Since the proposed model is distributed, it could scale on ``Big Data'' easily. We plan to use this proof-of-concept to implement a privacy-preserving pandemic response strategy.
• Abstract（参考訳）: 本稿では,SARS-Cov-2変種分類のためのAIモデルを訓練するためのFLアプローチを提案する。 我々は,SARS-CoV-2のスパイク配列をデータ共有なしで分散解析し,この急速変異型ウイルスの異なる変種を検出する。 本手法は, 地域データの機密性(異なる場所に保存できる)を維持しながら, 新型コロナウイルスSARS-CoV-2の様々な変種を確実に検出し, 同定することができる。 提案手法を用いて, 新型コロナウイルスの変種識別タスクにおいて, 総合的精度93%の精度を達成する。 また,提案モデルが,データ所有の法則,データプライバシ,モデル集約,モデル不均質性といった,連合学習の主な法則にどのように従っているかの詳細を述べる。 提案したモデルが分散されているため、 ``Big Data'' に簡単にスケールできる。 我々はこの概念実証を,プライバシ保護型パンデミック対応戦略の実施に活用する予定である。

関連論文リスト

• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Exploratory Analysis of Federated Learning Methods with Differential Privacy on MIMIC-III [0.7349727826230862]
  フェデレートされた学習方法は、プライバシに敏感なデータセット上で機械学習モデルをトレーニングする可能性を提供する。 オープンソースMIMIC-IIIデータセット上でのトレーニングモデルにおいて,異なるフェデレーションおよび差分プライバシー手法が与える影響の評価を行う。
  論文  参考訳（メタデータ） (2023-02-08T17:27:44Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Evaluating COVID-19 Sequence Data Using Nearest-Neighbors Based Network Model [0.0]
  SARS-CoV-2(SARS-CoV-2)は、ヒトの新型コロナウイルス感染症の原因である。 異なる宿主に適応し、異なる系統に進化することができる。 主要なSARS-CoV-2系統はスパイクタンパク質で主に起こる突然変異によって特徴づけられることが知られている。
  論文  参考訳（メタデータ） (2022-11-19T00:34:02Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• Robust Representation and Efficient Feature Selection Allows for Effective Clustering of SARS-CoV-2 Variants [0.0]
  SARS-CoV-2ウイルスは異なる変種を含み、それぞれ異なる変異を持つ。 SARS-CoV-2ゲノムの変異の多くは、ゲノム配列のスパイク領域で不均等に起こる。 本研究では,異なる既知の変異体の挙動を研究するために,スパイクタンパク質配列をクラスタ化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T21:18:52Z)
• Effective and scalable clustering of SARS-CoV-2 sequences [0.41998444721319206]
  SARS-CoV-2は進化過程に従って変異し続けている。 GISAIDなどの公開データベースで現在利用可能なSARS-CoV-2のシーケンス数は数百万である。 本稿では,現在のSARS-CoV-2変種をクラスタリングシーケンスに基づいて同定する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-18T13:32:43Z)
• A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
  アミノ酸の順序を保つことで,分類器の精度が向上することを示す。 また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
  論文  参考訳（メタデータ） (2021-08-07T15:08:15Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。