論文の概要: FATE: Feature-Agnostic Transformer-based Encoder for learning
generalized embedding spaces in flow cytometry data
- arxiv url: http://arxiv.org/abs/2311.03314v1
- Date: Mon, 6 Nov 2023 18:06:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 13:23:57.239113
- Title: FATE: Feature-Agnostic Transformer-based Encoder for learning
generalized embedding spaces in flow cytometry data
- Title（参考訳）: FATE:フローサイトメトリーデータにおける一般化埋め込み空間学習のための特徴非依存型トランスフォーマーベースエンコーダ
- Authors: Lisa Weijler, Florian Kowarsch, Michael Reiter, Pedro Hermosilla,
Margarita Maurer-Granofszky, Michael Dworzak
- Abstract要約: 我々は,潜在的な特徴集合の交わりに入力空間を拘束することなく,様々な特徴を持つデータを有効に活用することを目的としている。
特徴量の整合を必要とせずに直接データを処理できる新しいアーキテクチャを提案する。
本モデルの利点は, 急性骨髄性白血病の血流データにおける癌細胞の自動検出である。
- 参考スコア（独自算出の注目度）: 4.550634499956126
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While model architectures and training strategies have become more generic
and flexible with respect to different data modalities over the past years, a
persistent limitation lies in the assumption of fixed quantities and
arrangements of input features. This limitation becomes particularly relevant
in scenarios where the attributes captured during data acquisition vary across
different samples. In this work, we aim at effectively leveraging data with
varying features, without the need to constrain the input space to the
intersection of potential feature sets or to expand it to their union. We
propose a novel architecture that can directly process data without the
necessity of aligned feature modalities by learning a general embedding space
that captures the relationship between features across data samples with
varying sets of features. This is achieved via a set-transformer architecture
augmented by feature-encoder layers, thereby enabling the learning of a shared
latent feature space from data originating from heterogeneous feature spaces.
The advantages of the model are demonstrated for automatic cancer cell
detection in acute myeloid leukemia in flow cytometry data, where the features
measured during acquisition often vary between samples. Our proposed
architecture's capacity to operate seamlessly across incongruent feature spaces
is particularly relevant in this context, where data scarcity arises from the
low prevalence of the disease. The code is available for research purposes at
https://github.com/lisaweijler/FATE.
- Abstract（参考訳）: モデルアーキテクチャとトレーニング戦略は、ここ数年で異なるデータモダリティに関して、より汎用的で柔軟になったが、永続的な制限は、一定の量と入力機能の配置の仮定にある。
この制限は、データ取得時にキャプチャされた属性が異なるサンプルによって異なるシナリオで特に重要になる。
本研究では,入力空間を潜在的な特徴集合の交点に限定したり,それらの結合に拡張したりすることなく,様々な特徴を持つデータを有効に活用することを目指している。
様々な特徴集合を持つデータサンプル間の特徴間の関係をキャプチャする一般的な埋め込み空間を学習することにより,特徴モダリティの整合を必要とせずにデータを直接処理できる新しいアーキテクチャを提案する。
これは特徴エンコーダ層によって拡張された集合変換器アーキテクチャによって実現され、不均一な特徴空間から得られたデータから共有潜在特徴空間を学習することができる。
このモデルの利点は、フローサイトメトリーデータにおいて急性骨髄性白血病の癌細胞を自動的に検出することである。
この文脈では, 疾患の頻度の低さからデータ不足が発生するため, 不整合性特徴空間をシームレスに操作するアーキテクチャの能力が特に重要である。
コードはhttps://github.com/lisaweijler/fateで研究目的に利用できる。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - An improved tabular data generator with VAE-GMM integration [9.4491536689161]
本稿では,現在のアプローチの限界に対処する新しい変分オートエンコーダ(VAE)モデルを提案する。
本手法は,TVAEモデルにインスパイアされたベイジアン・ガウス混合モデル(BGM)をVAEアーキテクチャに組み込む。
我々は,2つの医療関連データセットを含む混合データ型を持つ実世界の3つのデータセットに対して,我々のモデルを徹底的に検証する。
論文 参考訳（メタデータ） (2024-04-12T12:31:06Z) - Targeted Analysis of High-Risk States Using an Oriented Variational
Autoencoder [3.494548275937873]
可変オートエンコーダ(VAE)ニューラルネットワークは、電力系統状態を生成するために訓練することができる。
VAEの潜在空間符号の座標は、データの概念的特徴と相関することが示されている。
本稿では、遅延空間コードと生成されたデータとのリンクを制限するために、指向性変動オートエンコーダ(OVAE)を提案する。
論文 参考訳（メタデータ） (2023-03-20T19:34:21Z) - Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects
Estimation [103.55894890759376]
本稿では,不均一な特徴空間を扱うために表現学習を利用するビルディングブロックを紹介する。
本稿では,これらのビルディングブロックを用いて,標準CATE学習者の伝達学習の等価性を回復する方法を示す。
論文 参考訳（メタデータ） (2022-10-08T16:41:02Z) - 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) - RENs: Relevance Encoding Networks [0.0]
本稿では,遅延空間に先行する自動相対性決定(ARD)を用いて,データ固有のボトルネック次元を学習する新しい確率的VOEベースのフレームワークであるrelevance encoding network (RENs)を提案する。
提案モデルは,サンプルの表現や生成品質を損なうことなく,関連性のあるボトルネック次元を学習することを示す。
論文 参考訳（メタデータ） (2022-05-25T21:53:48Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Encoding Domain Information with Sparse Priors for Inferring Explainable
Latent Variables [2.8935588665357077]
説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。
spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。
シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
論文 参考訳（メタデータ） (2021-07-08T10:19:32Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - INSIDE: Steering Spatial Attention with Non-Imaging Information in CNNs [14.095546881696311]
本稿では,非画像情報をセグメンテーションネットワークに統合して性能向上を図ることの課題について考察する。
本研究では,非画像情報に基づく空間的局所化を実現する機構を提案する。
我々の手法はエンドツーエンドで訓練でき、追加の監督を必要としない。
論文 参考訳（メタデータ） (2020-08-21T13:32:05Z) - Attribute-based Regularization of Latent Spaces for Variational
Auto-Encoders [79.68916470119743]
本稿では,変分オートエンコーダ(VAE)の潜時空間を,連続値の異なる属性を明示的に符号化する新しい手法を提案する。
これは属性の正規化損失を使用して、属性値と属性が符号化される次元の潜在符号との単調な関係を強制する。
論文 参考訳（メタデータ） (2020-04-11T20:53:13Z)
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。