Fugu-MT 論文翻訳(概要): An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition

論文の概要: An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition

arxiv url: http://arxiv.org/abs/2309.00903v3
Date: Fri, 7 Jun 2024 23:12:16 GMT
ステータス: 処理完了
システム内更新日: 2024-06-12 05:19:21.064762
Title: An explainable three dimension framework to uncover learning patterns: A unified look in variable sulci recognition
Title（参考訳）: 学習パターンを明らかにするための説明可能な3次元フレームワーク
Authors: Michail Mamalakis, Heloise de Vareilles, Atheer AI-Manea, Samantha C. Mitchell, Ingrid Arartz, Lynn Egeland Morch-Johnsen, Jane Garrison, Jon Simons, Pietro Lio, John Suckling, Graham Murray,
Abstract要約: 我々は、堅牢で忠実で、複雑でないグローバルな説明を提供する、説明可能な人工知能(XAI)の3Dフレームワークを開発した。そこで本研究では,TOP-OSLOによる596名の被験者を対象に,各種3次元深層学習ネットワークを訓練し,評価し,評価した。
参考スコア（独自算出の注目度）: 2.960322639147262
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Detecting the significant features of the learning process of an artificial intelligence framework in the entire training and validation dataset can be determined as 'global' explanations. Studies in the literature lack of accurate, low-complexity, and three-dimensional (3D) global explanations which are crucial in neuroimaging, a field with a complex representational space that demands more than basic two-dimensional interpretations. To fill this gap, we developed a novel explainable artificial intelligence (XAI) 3D-Framework that provides robust, faithful, and low-complexity global explanations. We evaluated our framework on various 3D deep learning networks trained, validated, and tested on a well-annotated cohort of 596 subjects from the TOP-OSLO study. The focus was on the presence and absence of the paracingulate sulcus, a variable feature of brain morphology correlated with psychotic conditions. Our proposed 3D-Framework outperforms traditional XAI methods in terms of faithfulness for global explanations. As a result, we were able to use these robust explanations to uncover new patterns that not only enhance the credibility and reliability of the training process but also reveal promising new biomarkers and significantly related sub-regions. For the first time, our developed 3D-Framework proposes a way for the scientific community to utilize global explanations to discover novel patterns in this specific neuroscientific application and beyond. This study can helps improve the trustworthiness of AI training processes and push the boundaries of our understanding by revealing new patterns in neuroscience and beyond.
Abstract（参考訳）: トレーニングと検証データセット全体において、人工知能フレームワークの学習プロセスの重要な特徴を検出することは、"グローバル"な説明として決定できる。文献の研究では、神経イメージングにおいて重要な3次元のグローバルな説明が正確に、低複雑さ、そして3次元のグローバルな説明が欠如しており、これは2次元の基本的な解釈以上の複雑な表現空間を持つ分野である。このギャップを埋めるために、我々は、堅牢で忠実で、複雑でないグローバルな説明を提供する、説明可能な人工知能(XAI)の3Dフレームワークを開発した。そこで本研究では,TOP-OSLOによる596名の被験者を対象に,各種3次元深層学習ネットワークを訓練し,評価し,評価した。焦点は、精神状態と相関した脳形態学の変動特徴である視索性サルクスの存在と欠如に焦点を当てた。提案する3Dフレームワークは,グローバルな説明に対する忠実さの観点から,従来のXAI手法よりも優れていた。その結果、これらの堅牢な説明を用いて、トレーニングプロセスの信頼性と信頼性を高めるだけでなく、有望な新しいバイオマーカーと、非常に関連するサブリージョンを明らかにした。開発した3Dフレームワークは,グローバルな説明を活用して,この特定の神経科学応用の新たなパターンを発見する方法として,初めて提案されました。この研究は、AIトレーニングプロセスの信頼性向上に役立ち、神経科学などにおける新たなパターンを明らかにすることによって、私たちの理解の境界を推し進める。

関連論文リスト

Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文参考訳（メタデータ） (2024-06-17T07:43:53Z)
Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文参考訳（メタデータ） (2024-05-24T06:06:11Z)
Solving the enigma: Deriving optimal explanations of deep networks [3.9584068556746246]
本稿では,ディープネットワークの説明可能性を高めるための新しいフレームワークを提案する。本フレームワークは,確立したXAI手法の様々な説明を統合し,非説明を用いて最適な説明を構築する。以上の結果から,特定基準に基づく最適説明が導出可能であることが示唆された。
論文参考訳（メタデータ） (2024-05-16T11:49:08Z)
Neuro-Vision to Language: Enhancing Brain Recording-based Visual Reconstruction and Language Interaction [8.63068449082585]
非侵襲的な脳記録の復号化は、人間の認知の理解を深める鍵となる。本研究では,視覚変換器を用いた3次元脳構造と視覚的意味論を統合した。マルチモーダル大モデル開発を支援するために,fMRI画像関連テキストデータを用いたfMRIデータセットを改良した。
論文参考訳（メタデータ） (2024-04-30T10:41:23Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
DUE: Dynamic Uncertainty-Aware Explanation Supervision via 3D Imputation [12.96084790953902]
本稿では3次元説明指導のための動的不確実性対応説明監督(DUE)フレームワークを提案する。提案手法は,様々な実世界の医療画像データセットに関する総合的な実験を通じて検証される。
論文参考訳（メタデータ） (2024-03-16T06:49:32Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文参考訳（メタデータ） (2023-01-01T12:48:12Z)
An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。まず,表面データに摂動に基づくアプローチを適用した。我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文参考訳（メタデータ） (2022-03-15T23:16:49Z)
Joint Supervised and Self-Supervised Learning for 3D Real-World Challenges [16.328866317851187]
ポイントクラウド処理と3D形状理解は、ディープラーニング技術が大きな可能性を実証する難しいタスクである。ここでは、データ不足と大きなドメインギャップにより教師付き学習が失敗する合成および実世界の点雲を含むいくつかのシナリオについて考察する。形状分類や部分分割の主課題を学習しながら3次元パズルを解くマルチタスクモデルにより、自己超越を利用して、標準的な特徴表現を豊かにすることを提案する。
論文参考訳（メタデータ） (2020-04-15T23:34:03Z)

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。