Fugu-MT 論文翻訳(概要): Domain Adaptive and Fine-grained Anomaly Detection for Single-cell Sequencing Data and Beyond

論文の概要: Domain Adaptive and Fine-grained Anomaly Detection for Single-cell Sequencing Data and Beyond

arxiv url: http://arxiv.org/abs/2404.17454v1
Date: Fri, 26 Apr 2024 14:48:24 GMT
ステータス: 処理完了
システム内更新日: 2024-04-29 12:55:05.096624
Title: Domain Adaptive and Fine-grained Anomaly Detection for Single-cell Sequencing Data and Beyond
Title（参考訳）: 単一セルシークエンシングデータのドメイン適応的・きめ細かい異常検出
Authors: Kaichen Xu, Yueyang Ding, Suyang Hou, Weiqiang Zhan, Nisang Chen, Jun Wang, Xiaobo Sun,
Abstract要約: ACSleuthは, 異常細胞の検出, ドメイン適応, 微粒化アノテートを方法論的に結合したワークフローに統合した, 新規な再構成逸脱誘導型生成フレームワークである。この分析により, ACSleuth における新規かつ優れた平均誤差に基づく異常スコアリングの開発が可能となった。
参考スコア（独自算出の注目度）: 4.4136780724044735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fined-grained anomalous cell detection from affected tissues is critical for clinical diagnosis and pathological research. Single-cell sequencing data provide unprecedented opportunities for this task. However, current anomaly detection methods struggle to handle domain shifts prevalent in multi-sample and multi-domain single-cell sequencing data, leading to suboptimal performance. Moreover, these methods fall short of distinguishing anomalous cells into pathologically distinct subtypes. In response, we propose ACSleuth, a novel, reconstruction deviation-guided generative framework that integrates the detection, domain adaptation, and fine-grained annotating of anomalous cells into a methodologically cohesive workflow. Notably, we present the first theoretical analysis of using reconstruction deviations output by generative models for anomaly detection in lieu of domain shifts. This analysis informs us to develop a novel and superior maximum mean discrepancy-based anomaly scorer in ACSleuth. Extensive benchmarks over various single-cell data and other types of tabular data demonstrate ACSleuth's superiority over the state-of-the-art methods in identifying and subtyping anomalies in multi-sample and multi-domain contexts. Our code is available at https://github.com/Catchxu/ACsleuth.
Abstract（参考訳）: 臨床診断と病理研究において, 病変組織からの顆粒状異常細胞の検出が重要である。シングルセルシークエンシングデータは、このタスクに前例のない機会を提供する。しかし、現在の異常検出手法は、マルチサンプルとマルチドメインの単一セルシークエンシングデータでよく見られるドメインシフトの処理に苦慮し、亜最適性能をもたらす。さらに、これらの手法は異常細胞を病理学的に異なるサブタイプに区別することができない。そこで本研究では, 異常細胞の検出, ドメイン適応, 微粒化アノテートを方法論的に結合したワークフローに統合する新規な再構成偏差誘導型生成フレームワーク ACSleuth を提案する。特に、生成モデルにより出力される再構成偏差をドメインシフトの代わりに異常検出に利用した最初の理論的解析について述べる。この分析により, ACSleuth における新規かつ優れた平均誤差に基づく異常スコアリングの開発が可能となった。様々な単一セルデータやその他の表型データに対する広範囲なベンチマークは、マルチサンプルおよびマルチドメインコンテキストにおける異常の特定とサブタイピングにおいて、最先端の手法よりもACSleuthの方が優れていることを示している。私たちのコードはhttps://github.com/Catchxu/ACsleuth.comで公開されています。

関連論文リスト

Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
論文参考訳（メタデータ） (2024-03-11T08:07:46Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文参考訳（メタデータ） (2023-11-24T14:26:07Z)
Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。自己教師型3領域異常検出器(TriAD)を提案する。
論文参考訳（メタデータ） (2023-11-19T05:37:18Z)
LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
論文参考訳（メタデータ） (2023-07-16T14:41:22Z)
Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。 RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文参考訳（メタデータ） (2023-04-16T13:05:39Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
Detection of Thin Boundaries between Different Types of Anomalies in Outlier Detection using Enhanced Neural Networks [3.9715120586766584]
我々は,集合正規異常(Collective Normal Anomaly)と集合点異常(Collective Point Anomaly)と呼ばれる新しい種類の異常を導入する。ドメインに依存しない基本的な手法は、教師なしデータセットと教師なしデータセットの両方で定義された異常を検出するために導入された。多層パーセプトロンニューラルネットワークは遺伝的アルゴリズムを用いて拡張され、より高精度に新たに定義された異常を検出する。
論文参考訳（メタデータ） (2020-01-24T21:52:02Z)

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。