論文の概要: Neural Population Decoding and Imbalanced Multi-Omic Datasets For Cancer Subtype Diagnosis

• arxiv url: http://arxiv.org/abs/2401.10844v1
• Date: Sat, 6 Jan 2024 06:54:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-28 16:07:38.364830
• Title: Neural Population Decoding and Imbalanced Multi-Omic Datasets For Cancer Subtype Diagnosis
• Title（参考訳）: 癌サブタイプ診断のための神経集団デコードと不均衡マルチオミックデータセット
• Authors: Charles Theodore Kent, Leila Bagheriye and Johan Kwisthout
• Abstract要約: 人口復号化がWTAネットワークの分類性能に顕著な影響を与えていることを示す。 The Cancer Genome Atlasのデータセットを用いて,多眼データからの癌サブタイプ診断の問題にWTAネットワークを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent strides in the field of neural computation has seen the adoption of Winner Take All (WTA) circuits to facilitate the unification of hierarchical Bayesian inference and spiking neural networks as a neurobiologically plausible model of information processing. Current research commonly validates the performance of these networks via classification tasks, particularly of the MNIST dataset. However, researchers have not yet reached consensus about how best to translate the stochastic responses from these networks into discrete decisions, a process known as population decoding. Despite being an often underexamined part of SNNs, in this work we show that population decoding has a significanct impact on the classification performance of WTA networks. For this purpose, we apply a WTA network to the problem of cancer subtype diagnosis from multi omic data, using datasets from The Cancer Genome Atlas (TCGA). In doing so we utilise a novel implementation of gene similarity networks, a feature encoding technique based on Kohoens self organising map algorithm. We further show that the impact of selecting certain population decoding methods is amplified when facing imbalanced datasets.
• Abstract（参考訳）: ニューラルネットワークの分野における最近の進歩は、階層的ベイズ推論の統一とスパイクニューラルネットワークを神経生物学的に妥当な情報処理モデルとして活用するために、Winner Take All (WTA) 回路が採用されている。 現在の研究は、これらのネットワークの性能を分類タスク、特にMNISTデータセットを通して検証している。 しかし、研究者はまだ、これらのネットワークからの確率的応答を離散的な決定に翻訳する最善の方法についての合意に達していない。 本研究は,snsの分類精度に乏しい部分であるにもかかわらず,wtaネットワークの分類性能に人口デコードの影響があることを実証するものである。 そこで本研究では,癌ゲノムアトラス(TCGA)のデータセットを用いて,多眼データからの癌サブタイプ診断の問題にWTAネットワークを適用した。 そこで我々は,kohoens 自己組織化マップアルゴリズムに基づく特徴符号化手法であるgene similarity network の新規実装を利用する。 さらに,不均衡なデータセットに対して,特定の集団復号法の選択の影響が増大することを示した。

関連論文リスト

• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• Population Graph Cross-Network Node Classification for Autism Detection Across Sample Groups [10.699937593876669]
  クロスネットワークノード分類は、ドメインドリフトを考慮に入れたGNN技術を拡張している。 我々は、クロスネットワークノード分類のための強力で斬新なアプローチOTGCNを提案する。 自閉症スペクトラム障害の分類におけるこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-10T18:04:12Z)
• Reusability report: Prostate cancer stratification with diverse biologically-informed neural architectures [7.417447233454902]
  前立腺がんの病態をモデル化するために、生物学的に情報を得た疎結合(P-NET)のフィードフォワードニューラルネットワークが提示された。 我々は、Reactomeの生物学的経路によるネットワークスペーサー化の寄与を定量化し、P-NETの優れた性能にその重要性を確認した。 同じトレーニングデータを用いて3種類のグラフニューラルネットワークを実験し、異なるモデル間の臨床予測一致について検討した。
  論文  参考訳（メタデータ） (2023-09-28T17:51:02Z)
• Copy Recurrent Neural Network Structure Network [0.0]
  我々は、CRNNet(Copy Recurrent Neural Network Structure Network)と呼ばれる新しいICDパス生成フレームワークを提案する。 RNNを用いて逐次出力を生成し、コピーモジュールを組み込むことで、合併症の特定を効率的に行う。 本手法は, 予測における57.30%の複雑な疾患の比率を達成し, 最先端およびそれ以前のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-22T17:22:37Z)
• Exposing and addressing the fragility of neural networks in digital pathology [0.0]
  textttStrongAugmentは、大規模な異種病理組織学的データを用いて評価される。 textttStrongAugmentでトレーニングされたニューラルネットワークは、すべてのデータセットで同様のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2022-06-30T13:25:34Z)
• Decomposing neural networks as mappings of correlation functions [57.52754806616669]
  本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。 ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
  論文  参考訳（メタデータ） (2022-02-10T09:30:31Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Stochastic encoding of graphs in deep learning allows for complex analysis of gender classification in resting-state and task functional brain networks from the UK Biobank [0.13706331473063876]
  我々は,機能的コネクトームを性別別に分類するために,CNNのアンサンブルに符号化手法を導入する。 課題と休息状態に関わる3つの脳ネットワークとその相互作用の塩分濃度を測定した。
  論文  参考訳（メタデータ） (2020-02-25T15:10:51Z)

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。