Fugu-MT 論文翻訳(概要): Knowledge-based Drug Samples' Comparison

論文の概要: Knowledge-based Drug Samples' Comparison

arxiv url: http://arxiv.org/abs/2407.04317v1
Date: Fri, 5 Jul 2024 07:40:25 GMT
ステータス: 処理完了
システム内更新日: 2024-07-08 14:09:46.687089
Title: Knowledge-based Drug Samples' Comparison
Title（参考訳）: 知識に基づく医薬品サンプルの比較
Authors: Sébastien Guillemin, Ana Roxin, Laurence Dujourdy, Ludovic Journaux,
Abstract要約: ドラッグ・サンプル・コンファレンス(英: Drug sample comparison)は、フランス国家警察が麻薬の流通ネットワークを識別するプロセスである。現在のアプローチは、法医学の専門家による手動比較に基づいている。我々は、現在のプロセスを改善するために専門家の知識を取得し、形式化し、指定するためのアプローチを提示します。
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: Drug sample comparison is a process used by the French National police to identify drug distribution networks. The current approach is based on manual comparison done by forensic experts. In this article, we present our approach to acquire, formalise, and specify expert knowledge to improve the current process. For modelling the underlying knowledge we use an ontology coupled with logical rules. The different steps of our approach are designed to be reused in other application domains. The results obtained are explainable making them usable by experts in different fields.
Abstract（参考訳）: ドラッグ・サンプル・コンファレンス(英: Drug sample comparison)は、フランス国家警察が麻薬の流通ネットワークを識別するプロセスである。現在のアプローチは、法医学の専門家による手動比較に基づいている。本稿では,現在のプロセスを改善するために専門家の知識を取得し,形式化し,特定するためのアプローチを提案する。基礎となる知識をモデル化するためには、オントロジーと論理的ルールを使います。このアプローチのさまざまなステップは、他のアプリケーションドメインで再利用するように設計されています。得られた結果は、さまざまな分野の専門家が利用できるように説明できる。

関連論文リスト

Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
論文参考訳（メタデータ） (2024-10-18T15:06:50Z)
Current Methods for Drug Property Prediction in the Real World [9.061842820405486]
薬物特性の予測は、高価な臨床試験の前に資産の破壊を可能にするために、薬物発見の鍵となる。異なる論文が異なるデータセットやメソッドをベンチマークしているため、どの方法やアプローチが最も適しているかは、実践者にとって依然として不明である。私たちの大規模な経験的研究は、さまざまなデータセットや手法に関する多くの初期の研究を結び付けています。最良の方法はデータセットに依存しており、古典的なMLメソッドで構築された機能は、ディープラーニングよりも優れていることが分かりました。
論文参考訳（メタデータ） (2023-07-25T17:50:05Z)
Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
論文参考訳（メタデータ） (2023-06-15T10:01:05Z)
Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文参考訳（メタデータ） (2023-03-21T14:24:58Z)
Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
論文参考訳（メタデータ） (2022-06-20T16:32:49Z)
Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文参考訳（メタデータ） (2022-05-20T20:50:17Z)
Quantifying Explainability in NLP and Analyzing Algorithms for Performance-Explainability Tradeoff [0.0]
臨床テキスト分類におけるケーススタディにおける説明可能性と解釈可能性の現状について考察する。完全解釈可能な手法とモデルに依存しないポストホック属性に対する様々な可視化手法を実証する。我々は,モデルの予測性能と利用可能な説明の質との間のフロンティアを,実践者や研究者が評価できる枠組みを導入する。
論文参考訳（メタデータ） (2021-07-12T19:07:24Z)
Visualization of Supervised and Self-Supervised Neural Networks via Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文参考訳（メタデータ） (2020-12-03T18:48:39Z)
Using Sampling Strategy to Assist Consensus Sequence Analysis [3.983901161231557]
本稿では,代表的コンセンサスシーケンスを生成するために必要なトレース数を決定するための新しいサンプリング手法を提案する。事前に定義されたエキスパートモデルと実際のプロセスとの差を推定する方法を示す。
論文参考訳（メタデータ） (2020-08-19T07:12:09Z)
Regularization Methods for Generative Adversarial Networks: An Overview of Recent Studies [3.829070379776576]
GAN(Generative Adversarial Network)は、様々なタスクに広く研究され、利用されている。 GANのトレーニングを安定させるために、正規化法が提案されている。
論文参考訳（メタデータ） (2020-05-19T01:59:24Z)
Mimicry: Towards the Reproducibility of GAN Research [0.0]
我々は、人気の高い最先端のGANと評価指標の実装を提供する軽量PyTorchライブラリであるMimicryを紹介する。我々は、これらのGANを同じ条件下でトレーニングし、同じ手順を用いて3つの一般的なGANメトリクスにわたって評価することにより、異なるGANの総合的なベースライン性能を7つの広く使用されているデータセット上で提供する。
論文参考訳（メタデータ） (2020-05-05T21:07:26Z)

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。