論文の概要: Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data

• arxiv url: http://arxiv.org/abs/2402.14974v1
• Date: Thu, 22 Feb 2024 21:22:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 16:17:31.354858
• Title: Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data
• Title（参考訳）: 非ユークリッド空間における空間ルーシAI分類に向けて:MxIFオンコロジーデータへの応用
• Authors: Majid Farhadloo, Arun Sharma, Jayant Gupta, Alexey Leontovich, Svetomir N. Markovic and Shashi Shekhar
• Abstract要約: 異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。 この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。 我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
• 参考スコア（独自算出の注目度）: 3.0566763412020714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given multi-category point sets from different place-types, our goal is to develop a spatially-lucid classifier that can distinguish between two classes based on the arrangements of their points. This problem is important for many applications, such as oncology, for analyzing immune-tumor relationships and designing new immunotherapies. It is challenging due to spatial variability and interpretability needs. Previously proposed techniques require dense training data or have limited ability to handle significant spatial variability within a single place-type. Most importantly, these deep neural network (DNN) approaches are not designed to work in non-Euclidean space, particularly point sets. Existing non-Euclidean DNN methods are limited to one-size-fits-all approaches. We explore a spatial ensemble framework that explicitly uses different training strategies, including weighted-distance learning rate and spatial domain adaptation, on various place-types for spatially-lucid classification. Experimental results on real-world datasets (e.g., MxIF oncology data) show that the proposed framework provides higher prediction accuracy than baseline methods.
• Abstract（参考訳）: 異なる場所の異なる複数カテゴリの点集合が与えられた場合、その点の配置に基づいて2つのクラスを区別できる空間的分類器を開発することが目的である。 この問題は、腫瘍と腫瘍の関係を分析し、新しい免疫療法を設計するための腫瘍学などの多くの応用において重要である。 空間的な変動と解釈の必要性から困難である。 これまで提案されていた手法は、密集したトレーニングデータを必要とするか、あるいは1つの場所タイプで大きな空間変動を扱う能力に制限がある。 最も重要なことは、これらのディープニューラルネットワーク(DNN)アプローチは、非ユークリッド空間、特に点集合で機能するように設計されていないことである。 既存の非ユークリッド DNN の手法は1つの大きさのアプローチに限られる。 本研究では,空間的明快な分類のために,重み付き距離学習率や空間領域適応など,異なる学習戦略を明示的に利用する空間的アンサンブルフレームワークについて検討する。 実世界のデータセット(例えばMxIFオンコロジーデータ)の実験結果は、提案フレームワークがベースライン法よりも高い予測精度を提供することを示している。

関連論文リスト

• From Electrode to Global Brain: Integrating Multi- and Cross-Scale Brain Connections and Interactions Under Cross-Subject and Within-Subject Scenarios [0.0]
  脳波信号の個人差は、クロスオブジェクト運動画像(MI)分類において大きな課題となる。 トポロジカルな構造と接続のためのMI実験では、マルチスケールの空間データ分布の違いが人間の脳の本質的特性である。 本稿では,マルチスケール空間領域適応ネットワーク (MSSDAN) について,マルチスケール空間特徴抽出器 (MSSFE) と,マルチスケール空間領域適応 (MSSDA) と呼ばれる深部領域適応手法を提案,検証した。
  論文  参考訳（メタデータ） (2024-11-07T09:12:13Z)
• QueST: Querying Functional and Structural Niches on Spatial Transcriptomics Data via Contrastive Subgraph Embedding [6.579597615392464]
  QueSTは、複数のサンプル間で空間ニッチを問合せするために設計された、新しいニッチ表現学習モデルである。 確立されたベンチマーク上で、人間とマウスのデータセットを用いてQueSTを評価する。 QueSTは空間的ニッチなクエリのための特殊なモデルを提供し、組織全体にわたる細胞空間構造のパターンとメカニズムについて深い洞察を得るための道を開く。
  論文  参考訳（メタデータ） (2024-10-14T16:01:27Z)
• Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• MC-DGCNN: A Novel DNN Architecture for Multi-Category Point Set Classification [3.8196096771272994]
  点集合分類は、点集合データの空間的構成と分類的構成を区別する表現学習モデルを構築することを目的としている。 免疫学や微生物生態学といった多くの応用分野において、この問題は社会的に重要である。 我々は、動的グラフ畳み込みニューラルネットワーク(DGCNN)アーキテクチャを活用して、新しいマルチカテゴリDGCNN(MC-DGCNN)を設計する。 MC-DGCNNは各点対のカテゴリー的重要性を識別し、これをN方向空間関係に拡張する能力を持っている。
  論文  参考訳（メタデータ） (2021-12-22T20:45:24Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)
• Hyperspherical embedding for novel class classification [1.5952956981784217]
  本稿では,正規化ソフトマックス損失下での潜在空間の表現に制約に基づくアプローチを提案する。 本研究では,メトリクス学習と正規化ソフトマックス損失の両方を用いて,異なるデータセット上の未知のクラスを分類するための提案手法を実験的に検証した。 この結果から,提案した戦略は,ペアワイズ学習を必要とせず,メトリック学習戦略よりも優れた分類結果を提供するため,より大規模なクラスで効率的に学習可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-05T15:42:13Z)

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。