論文の概要: AI-based automated active learning for discovery of hidden dynamic
processes: A use case in light microscopy
- arxiv url: http://arxiv.org/abs/2310.04461v1
- Date: Thu, 5 Oct 2023 08:17:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 18:30:02.171509
- Title: AI-based automated active learning for discovery of hidden dynamic
processes: A use case in light microscopy
- Title(参考訳): 隠れた動的プロセスの発見のためのAIベースの自動能動学習:光顕微鏡のユースケース
- Authors: Nils Friederich, Angelo Yamachui Sitcheu, Oliver Neumann, S\"uheyla
Ero\u{g}lu-Kay{\i}k\c{c}{\i}, Roshan Prizak, Lennart Hilbert, Ralf Mikut
- Abstract要約: 本稿では, バイオメディカル実験において, 効率的な獲得パラダイムを計画し, 実行するための2つの新しい手法を提案する。
最初の方法であるEncoded Dynamic Process (EDP)は人工知能(AI)ベースで、動的プロセスを表す。
第2の方法であるExperiment Automation Pipeline for Dynamic Processes(EAPDP)は、MLOpsベースのパイプラインである。
- 参考スコア(独自算出の注目度): 0.6821029310761493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the biomedical environment, experiments assessing dynamic processes are
primarily performed by a human acquisition supervisor. Contemporary
implementations of such experiments frequently aim to acquire a maximum number
of relevant events from sometimes several hundred parallel, non-synchronous
processes. Since in some high-throughput experiments, only one or a few
instances of a given process can be observed simultaneously, a strategy for
planning and executing an efficient acquisition paradigm is essential. To
address this problem, we present two new methods in this paper. The first
method, Encoded Dynamic Process (EDP), is Artificial Intelligence (AI)-based
and represents dynamic processes so as to allow prediction of pseudo-time
values from single still images. Second, with Experiment Automation Pipeline
for Dynamic Processes (EAPDP), we present a Machine Learning Operations
(MLOps)-based pipeline that uses the extracted knowledge from EDP to
efficiently schedule acquisition in biomedical experiments for dynamic
processes in practice. In a first experiment, we show that the pre-trained
State-Of-The- Art (SOTA) object segmentation method Contour Proposal Networks
(CPN) works reliably as a module of EAPDP to extract the relevant object for
EDP from the acquired three-dimensional image stack.
- Abstract(参考訳): バイオメディカル環境では、動的プロセスを評価する実験は主に人間の獲得監督者によって行われる。
このような実験の現代の実装は、しばしば数百の並列、非同期プロセスから関連する事象の最大数を取得することを目的としている。
高スループット実験では、与えられたプロセスの1つまたは数つのインスタンスしか同時に観測できないため、効率的な獲得パラダイムを計画し実行するための戦略が不可欠である。
この問題に対処するため,本稿では2つの新しい手法を提案する。
最初の方法であるEncoded Dynamic Process (EDP)は、人工知能(AI)ベースの動的プロセスであり、単一の静止画像から擬似時間値の予測を可能にする。
第2に、動的プロセスのための実験自動化パイプライン(EAPDP)を用いて、EDPから抽出した知識を使用して、実際に動的プロセスのための生体実験における取得を効率的にスケジュールする機械学習操作(MLOps)ベースのパイプラインを提案する。
最初の実験では、事前訓練されたステートオフ・ザ・アート(SOTA)オブジェクトセグメンテーション手法であるContour Proposal Networks(CPN)がEAPDPのモジュールとして確実に機能し、取得した3次元画像スタックからEDPの関連オブジェクトを抽出することを示した。
関連論文リスト
- Dynamic-Resolution Model Learning for Object Pile Manipulation [33.05246884209322]
本研究では,様々な抽象レベルで動的かつ適応的な表現を学習し,効率と効率の最適なトレードオフを実現する方法について検討する。
具体的には、環境の動的分解能粒子表現を構築し、グラフニューラルネットワーク(GNN)を用いた統一力学モデルを学ぶ。
本手法は, 粒状オブジェクトの収集, ソート, 再分配において, 最先端の固定解像度ベースラインよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2023-06-29T05:51:44Z) - Deep Active Learning with Structured Neural Depth Search [18.180995603975422]
Active-iNASは、複数のモデルを訓練し、各アクティブラーニングサイクルの後に、その後のサンプルをクエリする最適な一般化性能でモデルを選択する。
本稿では,SVI(Structured Variational Inference)あるいはSNDS(Structured Neural Deep Search)と呼ばれる手法を用いた新しいアクティブ戦略を提案する。
同時に、理論上は、平均場推定に基づく現在のVIベースの手法が性能を低下させる可能性があることを実証している。
論文 参考訳(メタデータ) (2023-06-05T12:00:12Z) - Learning Neuro-Symbolic Skills for Bilevel Planning [63.388694268198655]
意思決定は、連続したオブジェクト中心の状態、継続的なアクション、長い地平線、まばらなフィードバックを持つロボット環境では難しい。
タスク・アンド・モーション・プランニング(TAMP)のような階層的なアプローチは、意思決定を2つ以上の抽象レベルに分解することでこれらの課題に対処する。
我々の主な貢献は、オペレーターとサンプルラーを組み合わせたパラメータ化警察の学習方法である。
論文 参考訳(メタデータ) (2022-06-21T19:01:19Z) - Active learning in open experimental environments: selecting the right
information channel(s) based on predictability in deep kernel learning [0.0]
実験研究における主要な課題は、これらのチャネルのどれが関心の行動を予測するかを確立することである。
ここでは、顕微鏡における構造-プロパティ関係の最適予測チャネルの発見問題について検討する。
このアプローチは、自動合成や分子系の定量的構造-活性関係の発見において、同様の能動的学習タスクに直接適用することができる。
論文 参考訳(メタデータ) (2022-03-18T22:36:40Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。
本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-18T11:00:24Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳(メタデータ) (2020-11-16T08:24:34Z) - Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。
常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。
我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
論文 参考訳(メタデータ) (2020-09-28T10:28:40Z) - Probabilistic Active Meta-Learning [15.432006404678981]
先行経験に基づくタスク選択をメタ学習アルゴリズムに導入する。
シミュレーションロボット実験の強いベースラインと比較して,本手法がデータ効率を向上させるという実証的証拠を提供する。
論文 参考訳(メタデータ) (2020-07-17T12:51:42Z) - TempLe: Learning Template of Transitions for Sample Efficient Multi-task
RL [18.242904106537654]
TempLeはマルチタスク強化学習のための最初のPAC-MDP法である。
オンライン" と "有限モデル" の2つのアルゴリズムをそれぞれ提示する。
提案したTempLeアルゴリズムは,シングルタスク学習者や最先端のマルチタスク手法よりもはるかに低いサンプリング複雑性を実現する。
論文 参考訳(メタデータ) (2020-02-16T19:46:49Z)
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。