論文の概要: Enhancing Open-World Bacterial Raman Spectra Identification by Feature
Regularization for Improved Resilience against Unknown Classes
- arxiv url: http://arxiv.org/abs/2310.13723v1
- Date: Thu, 19 Oct 2023 17:19:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 05:47:56.919859
- Title: Enhancing Open-World Bacterial Raman Spectra Identification by Feature
Regularization for Improved Resilience against Unknown Classes
- Title(参考訳): 未知クラスに対する耐性向上のための特徴規則化によるオープンワールド細菌ラマンスペクトルの同定
- Authors: Yaroslav Balytskyi, Nataliia Kalashnyk, Inna Hubenko, Alina Balytska,
Kelly McNear
- Abstract要約: 従来のクローズドセット分類手法は、全ての試験サンプルが既知の病原体の1つに属すると仮定する。
ラマン分光法による病原体を同定する現在の最先端ニューラルネットワークは未知の入力に対して脆弱であることを示す。
我々はResNetアーキテクチャの新しいアンサンブルと、既存のクローズドワールド手法よりも優れたアテンションメカニズムを組み合わさった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The combination of Deep Learning techniques and Raman spectroscopy shows
great potential offering precise and prompt identification of pathogenic
bacteria in clinical settings. However, the traditional closed-set
classification approaches assume that all test samples belong to one of the
known pathogens, and their applicability is limited since the clinical
environment is inherently unpredictable and dynamic, unknown or emerging
pathogens may not be included in the available catalogs. We demonstrate that
the current state-of-the-art Neural Networks identifying pathogens through
Raman spectra are vulnerable to unknown inputs, resulting in an uncontrollable
false positive rate. To address this issue, first, we developed a novel
ensemble of ResNet architectures combined with the attention mechanism which
outperforms existing closed-world methods, achieving an accuracy of $87.8 \pm
0.1\%$ compared to the best available model's accuracy of $86.7 \pm 0.4\%$.
Second, through the integration of feature regularization by the Objectosphere
loss function, our model achieves both high accuracy in identifying known
pathogens from the catalog and effectively separates unknown samples
drastically reducing the false positive rate. Finally, the proposed feature
regularization method during training significantly enhances the performance of
out-of-distribution detectors during the inference phase improving the
reliability of the detection of unknown classes. Our novel algorithm for Raman
spectroscopy enables the detection of unknown, uncatalogued, and emerging
pathogens providing the flexibility to adapt to future pathogens that may
emerge, and has the potential to improve the reliability of Raman-based
solutions in dynamic operating environments where accuracy is critical, such as
public safety applications.
- Abstract(参考訳): ディープラーニング技術とラマン分光法の組み合わせは、臨床現場で病原細菌を正確かつ迅速に同定する大きな可能性を示している。
しかしながら、従来のクローズドセット分類アプローチでは、すべてのテストサンプルは既知の病原体に属しており、臨床環境は本質的に予測不能であり、動的で未知、または新興の病原体は利用可能なカタログに含まれない可能性があるため、その適用性は限られている。
ラマンスペクトルを通じて病原体を特定する現在の最先端のニューラルネットワークは、未知の入力に対して脆弱であり、制御不能な偽陽性率をもたらすことを実証する。
この問題に対処するため、我々はResNetアーキテクチャの新たなアンサンブルと既存のクローズドワールドメソッドよりも優れたアテンション機構を組み合わさり、最高のモデルでは8,6.7 pm 0.4 % の精度で8,7 pm 0.1 % の精度を達成した。
第2に, 対象球損失関数による特徴正規化の統合により, 既知の病原体をカタログから同定する精度が向上し, 未知のサンプルを効果的に分離し, 偽陽性率を大幅に低減する。
最後に, 学習中の特徴正規化手法により, 未知クラス検出の信頼性が向上し, 推定段階での分散検出性能が大幅に向上する。
提案するラマン分光法のアルゴリズムは, 将来の病原体に適応する柔軟性を提供する未知, 非触媒, 新興の病原体の検出を可能にし, 公共の安全利用など, 精度が重要な動的運用環境において, ラマン系ソリューションの信頼性を向上させる可能性を秘めている。
関連論文リスト
- Fragility-aware Classification for Understanding Risk and Improving Generalization [6.926253982569273]
リスク・リバースの観点から分類性能を評価する新しい指標であるFragility Index(FI)を導入する。
我々は, クロスエントロピー損失, ヒンジ型損失, リプシッツ損失の正確な修正を導き, 深層学習モデルへのアプローチを拡張した。
論文 参考訳(メタデータ) (2025-02-18T16:44:03Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳(メタデータ) (2024-12-11T22:12:21Z) - Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳(メタデータ) (2024-07-19T10:29:00Z) - Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳(メタデータ) (2024-01-24T18:49:30Z) - A Saliency-based Clustering Framework for Identifying Aberrant
Predictions [49.1574468325115]
本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。
本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。
本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
論文 参考訳(メタデータ) (2023-11-11T01:53:59Z) - Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
深層学習は高い予測精度と不確実性推定を実現することが示されている。
テスト時の入力画像のゆがみは、パフォーマンスを著しく低下させる可能性がある。
LaDiNEは,入力画像から情報および不変潜伏変数を推定できる,新規で堅牢な確率的手法である。
論文 参考訳(メタデータ) (2023-10-24T15:53:07Z) - Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。
我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。
実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
論文 参考訳(メタデータ) (2023-03-23T11:57:50Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。
CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。
複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2020-08-12T06:23:49Z)
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。