論文の概要: Out of Distribution Generalization via Interventional Style Transfer in
Single-Cell Microscopy
- arxiv url: http://arxiv.org/abs/2306.11890v1
- Date: Thu, 15 Jun 2023 20:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 01:08:46.355939
- Title: Out of Distribution Generalization via Interventional Style Transfer in
Single-Cell Microscopy
- Title(参考訳): シングルセル顕微鏡におけるインターベンショナルスタイル転送による分布一般化の展開
- Authors: Wolfgang M. Pernice, Michael Doron, Alex Quach, Aditya Pratapa, Sultan
Kenjeyev, Nicholas De Veaux, Michio Hirano, Juan C. Caicedo
- Abstract要約: コンピュータビジョンシステムの現実的な展開には、文脈的ニュアンスに不変な因果表現が必要である。
我々は,OOD一般化の難易度が高まる中で,モデルが因果表現を学習する程度を評価するテストを提案する。
他の確立された指標によって評価されるように、一見強靭なパフォーマンスにもかかわらず、これらのテストでは、悪質なベースラインと現代的なベースラインの両方が、相反することを防ぐために設計されている。
- 参考スコア(独自算出の注目度): 1.7778546320705952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world deployment of computer vision systems, including in the discovery
processes of biomedical research, requires causal representations that are
invariant to contextual nuisances and generalize to new data. Leveraging the
internal replicate structure of two novel single-cell fluorescent microscopy
datasets, we propose generally applicable tests to assess the extent to which
models learn causal representations across increasingly challenging levels of
OOD-generalization. We show that despite seemingly strong performance, as
assessed by other established metrics, both naive and contemporary baselines
designed to ward against confounding, collapse on these tests. We introduce a
new method, Interventional Style Transfer (IST), that substantially improves
OOD generalization by generating interventional training distributions in which
spurious correlations between biological causes and nuisances are mitigated. We
publish our code and datasets.
- Abstract(参考訳): 生体医学研究の発見プロセスを含む現実世界でのコンピュータビジョンシステムの展開には、文脈的迷惑に不変な因果表現が必要となり、新しいデータに一般化される。
2つの新しい単細胞蛍光顕微鏡データセットの内部複製構造を利用して,ood一般化の難解な段階においてモデルが因果表現を学習する程度を評価する。
他の確立された指標によって評価されるように、一見強靭なパフォーマンスにもかかわらず、これらのテストでは、悪質なベースラインと現代的なベースラインが相反するように設計されている。
我々は,生物原因と栄養素の急激な相関を緩和する介入訓練分布を生成することにより,OODの一般化を著しく改善する新しい手法であるInterventional Style Transfer (IST)を導入する。
コードとデータセットを公開します。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - A Comprehensive Augmentation Framework for Anomaly Detection [1.90365714903665]
本稿では,再構成ネットワークのトレーニングに寄与するシミュレーション異常の重要な特徴を解析する。
我々は、このフレームワークを再構築ベースのアプローチと統合し、同時に分割トレーニング戦略を提案する。
論文 参考訳(メタデータ) (2023-08-29T07:00:35Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳(メタデータ) (2022-11-07T15:47:40Z) - Causal Balancing for Domain Generalization [95.97046583437145]
そこで本研究では,観察されたトレーニング分布の領域特異的なスプリアス相関を低減するために,バランスの取れたミニバッチサンプリング戦略を提案する。
本研究では, 突発性源の同定可能性を保証するとともに, バランスの取れた, 突発性のない分布から, 提案手法が有効にサンプリング可能であることを示す。
論文 参考訳(メタデータ) (2022-06-10T17:59:11Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Cohort Bias Adaptation in Aggregated Datasets for Lesion Segmentation [0.8466401378239363]
マルチソースデータセット間でコホートバイアスを学習し,考慮するための一般化されたアフィン条件付けフレームワークを提案する。
我々は,コホートバイアス適応法により,プールしたデータセット上でのネットワークの性能が向上することを示す。
論文 参考訳(メタデータ) (2021-08-02T08:32:57Z) - An Empirical Framework for Domain Generalization in Clinical Settings [14.363133217553715]
マルチサイト臨床時系列および医療画像データにおける8つの領域一般化手法の性能をベンチマークする。
現在のドメイン一般化手法では,経験的リスク最小化よりも分散性能が著しく向上しないことがわかった。
論文 参考訳(メタデータ) (2021-03-20T11:48:57Z) - Evaluation of Complexity Measures for Deep Learning Generalization in
Medical Image Analysis [77.34726150561087]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。
また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文 参考訳(メタデータ) (2021-03-04T20:58:22Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z)
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。