論文の概要: What Do You See in Common? Learning Hierarchical Prototypes over Tree-of-Life to Discover Evolutionary Traits

• arxiv url: http://arxiv.org/abs/2409.02335v1
• Date: Tue, 3 Sep 2024 23:49:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 20:51:59.801002
• Title: What Do You See in Common? Learning Hierarchical Prototypes over Tree-of-Life to Discover Evolutionary Traits
• Title（参考訳）: 共通して見るものは何か? 進化的特性を明らかにするために人生の樹上で階層的なプロトタイプを学ぶ
• Authors: Harish Babu Manogaran, M. Maruf, Arka Daw, Kazi Sajeed Mehrab, Caleb Patrick Charpentier, Josef C. Uyeda, Wasila Dahdul, Matthew J Thompson, Elizabeth G Campolongo, Kaiya L Provost, Paula M. Mabee, Hilmar Lapp, Anuj Karpatne,
• Abstract要約: プロトタイプネットワーク(HComP-Net)による階層整合共通性の枠組みを紹介する。 我々は、HComP-Netが、鳥類、蝶、魚のデータセットのベースラインと比較して、正確に、意味的に一貫性があり、目に見えない種に対して一般化可能なプロトタイプを学習していることを実証的に示す。
• 参考スコア（独自算出の注目度）: 5.45733991420873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A grand challenge in biology is to discover evolutionary traits - features of organisms common to a group of species with a shared ancestor in the tree of life (also referred to as phylogenetic tree). With the growing availability of image repositories in biology, there is a tremendous opportunity to discover evolutionary traits directly from images in the form of a hierarchy of prototypes. However, current prototype-based methods are mostly designed to operate over a flat structure of classes and face several challenges in discovering hierarchical prototypes, including the issue of learning over-specific features at internal nodes. To overcome these challenges, we introduce the framework of Hierarchy aligned Commonality through Prototypical Networks (HComP-Net). We empirically show that HComP-Net learns prototypes that are accurate, semantically consistent, and generalizable to unseen species in comparison to baselines on birds, butterflies, and fishes datasets. The code and datasets are available at https://github.com/Imageomics/HComPNet.
• Abstract（参考訳）: 生物学における大きな課題は、進化的な特徴(生物の樹(系統樹とも呼ばれる)に共通の祖先を持つ種群に共通する生物の特徴)を発見することである。 画像リポジトリが生物学で利用可能になるにつれ、プロトタイプの階層構造という形で、画像から直接進化的な特徴を発見する大きな機会があります。 しかし、現行のプロトタイプベースの手法は、主にフラットなクラス構造上で動作するよう設計されており、内部ノードで過剰な特化機能を学ぶことを含む、階層的なプロトタイプを発見する際のいくつかの課題に直面している。 これらの課題を克服するために,プロトタイプネットワーク(HComP-Net)による階層整合共通性(Commonality)の枠組みを導入する。 我々は、HComP-Netが、鳥類、蝶、魚のデータセットのベースラインと比較して、正確に、意味的に一貫性があり、目に見えない種に対して一般化可能なプロトタイプを学習していることを実証的に示す。 コードとデータセットはhttps://github.com/Imageomics/HComPNetで公開されている。

関連論文リスト

• Meta-Learning an Evolvable Developmental Encoding [7.479827648985631]
  生成モデルはブラックボックス最適化のための学習可能な表現であることを示す。 本稿では,表現の質の多様性を生成する能力を最適化することで,そのような表現をメタ学習できるシステムを提案する。 より詳しくは、我々のメタラーニングアプローチが、開発中に細胞が「DNA」文字列ゲノムの異なる部分に参加することができる1つのニューラルセルオートマタを見つけることができることを示す。
  論文  参考訳（メタデータ） (2024-06-13T11:52:06Z)
• BioCLIP: A Vision Foundation Model for the Tree of Life [34.187429586642146]
  TreeOfLife-10Mは,生物画像のML対応データセットとして最大かつ多種多様である。 次に,生命樹の基礎モデルであるBioCLIPを開発した。 様々な微細な生物分類タスクに厳格にアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2023-11-30T18:49:43Z)
• Deep Neural Network Identification of Limnonectes Species and New Class Detection Using Image Data [5.943822554753426]
  ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。 このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
  論文  参考訳（メタデータ） (2023-11-15T02:57:59Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Discovering Novel Biological Traits From Images Using Phylogeny-Guided Neural Networks [10.372001949268636]
  本稿では,特徴ラベルに依存しない画像から進化的特徴を直接発見するための新しい手法を提案する。 提案手法であるPhylo-NNは、生物の画像を量子化された特徴ベクトルの列にエンコードする。 本研究は,多くの下流タスクにおいて生物学的に有意義な結果を生み出すため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） (2023-06-05T20:22:05Z)
• Deep Visual-Genetic Biometrics for Taxonomic Classification of Rare Species [1.9819034119774483]
  本稿では、ドメイン間の関連性を暗黙的に符号化して性能を向上させることを目的とした、協調した視覚的遺伝的推論空間を提案する。 30k以上のプランクティック・フォアミニファー貝殻の顕微鏡像に応用して,この概念の有効性を実験的に実証した。 視覚的遺伝子アライメントは、最も稀な種の視覚のみの認識に大いに有用である。
  論文  参考訳（メタデータ） (2023-05-11T10:04:27Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)

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。