論文の概要: Weakly supervised learning for pattern classification in serial femtosecond crystallography

• arxiv url: http://arxiv.org/abs/2309.04474v2
• Date: Thu, 21 Sep 2023 06:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 18:35:27.165202
• Title: Weakly supervised learning for pattern classification in serial femtosecond crystallography
• Title（参考訳）: 連続フェムト秒結晶学におけるパターン分類のための弱教師付き学習
• Authors: Jianan Xie, Ji Liu, Chi Zhang, Xihui Chen, Ping Huai, Jie Zheng, Xiaofeng Zhang
• Abstract要約: X線自由電子レーザー施設におけるシリアルフェムト秒結晶学は結晶構造決定の新しい時代を開く。 これらの実験のデータ処理は、高分解能構造を劣化させるために必要な回折パターンの総数は膨大であるため、前例のない課題に直面している。 本稿では,学習に必要なラベル付きデータセットのサイズを可能な限り小さくすることを目的として,弱教師付きアルゴリズムによる回折パターンの分類を行う。
• 参考スコア（独自算出の注目度）: 14.895416977432935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Serial femtosecond crystallography at X-ray free electron laser facilities opens a new era for the determination of crystal structure. However, the data processing of those experiments is facing unprecedented challenge, because the total number of diffraction patterns needed to determinate a high-resolution structure is huge. Machine learning methods are very likely to play important roles in dealing with such a large volume of data. Convolutional neural networks have made a great success in the field of pattern classification, however, training of the networks need very large datasets with labels. Th is heavy dependence on labeled datasets will seriously restrict the application of networks, because it is very costly to annotate a large number of diffraction patterns. In this article we present our job on the classification of diffraction pattern by weakly supervised algorithms, with the aim of reducing as much as possible the size of the labeled dataset required for training. Our result shows that weakly supervised methods can significantly reduce the need for the number of labeled patterns while achieving comparable accuracy to fully supervised methods.
• Abstract（参考訳）: X線自由電子レーザー施設におけるシリアルフェムト秒結晶学は結晶構造決定の新しい時代を開く。 しかし、高分解能構造を決定するのに必要な回折パターンの総数は膨大であるため、これらの実験のデータ処理は前例のない課題に直面している。 機械学習の手法は、このような大量のデータを扱う上で重要な役割を果たす可能性が高い。 畳み込みニューラルネットワークはパターン分類の分野で大きな成功を収めているが、ネットワークのトレーニングにはラベル付きで非常に大きなデータセットが必要である。 ラベル付きデータセットへのThの依存は、多数の回折パターンに注釈をつけるのに非常にコストがかかるため、ネットワークの適用を厳しく制限する。 本稿では,学習に必要なラベル付きデータセットのサイズを可能な限り削減することを目的として,弱い教師付きアルゴリズムによる回折パターンの分類について述べる。 その結果、弱教師付き手法は、完全教師付き手法に匹敵する精度を達成しつつ、ラベル付きパターンの数を大幅に削減できることがわかった。

関連論文リスト

• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Keep It Simple: CNN Model Complexity Studies for Interference Classification Tasks [7.358050500046429]
  本研究は,データセットサイズ,CNNモデル複雑性,分類精度のトレードオフを,分類難度に応じて検討する。 3つの無線データセットをベースとした本研究では,パラメータの少ないより単純なCNNモデルと,より複雑なモデルが実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-06T17:53:42Z)
• Discrete Key-Value Bottleneck [95.61236311369821]
  ディープニューラルネットワークは、データストリームがi.d.d.であり、ラベル付きデータが豊富である分類タスクでうまく機能する。 この課題に対処した強力なアプローチの1つは、手軽に利用可能なデータ量に対する大規模なエンコーダの事前トレーニングと、タスク固有のチューニングである。 しかし、新しいタスクを考えると、多くの重みを微調整する必要があるため、エンコーダの重みを更新することは困難であり、その結果、以前のタスクに関する情報を忘れてしまう。 この問題に対処するモデルアーキテクチャを提案し,個別かつ学習可能なキー値符号のペアを含む離散的ボトルネックの上に構築する。
  論文  参考訳（メタデータ） (2022-07-22T17:52:30Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Robust Pooling through the Data Mode [5.7564383437854625]
  本稿では,新しいロバストなプール層を含む新しいディープラーニングソリューションを提案する。 提案するプール層では,クラスタがモデルを示すため,RANSACとヒストグラムという2つの手法を用いて,モデム/クラスタのデータを探す。 我々は、プーリング層をポイントベースやグラフベースニューラルネットワークなどのフレームワークでテストし、ロバスト・オブ・ザ・アーティカルな手法と比較して、ロバストなロバスト性を示した。
  論文  参考訳（メタデータ） (2021-06-21T04:35:24Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• An analytic theory of shallow networks dynamics for hinge loss classification [14.323962459195771]
  我々は、単純なタイプのニューラルネットワーク(分類タスクを実行するために訓練された単一の隠れ層)のトレーニングダイナミクスについて研究する。 我々はこの理論を線形分離可能なデータセットと線形ヒンジ損失のプロトタイプケースに特化する。 これにより、トレーニングダイナミクスの減速、リッチラーニングと遅延ラーニングのクロスオーバー、オーバーフィッティングといった、現代のネットワークに現れるいくつかの現象に対処することが可能になります。
  論文  参考訳（メタデータ） (2020-06-19T16:25:29Z)
• Iterative Label Improvement: Robust Training by Confidence Based Filtering and Dataset Partitioning [5.1293809610257775]
  最先端、高容量のディープニューラルネットワークは、大量のラベル付きトレーニングデータを必要とする。 また、このデータにエラーをラベル付けする可能性も高い。 本稿では,安価な非競合データを使用することのできる新しいメタトレーニング・ラベリング手法を提案する。
  論文  参考訳（メタデータ） (2020-02-07T10:42:26Z)

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。