論文の概要: Unified Bayesian representation for high-dimensional multi-modal biomedical data for small-sample classification

• arxiv url: http://arxiv.org/abs/2411.07043v1
• Date: Mon, 11 Nov 2024 14:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:01.123743
• Title: Unified Bayesian representation for high-dimensional multi-modal biomedical data for small-sample classification
• Title（参考訳）: マイクロサンプル分類のための高次元マルチモーダルバイオメディカルデータに対する統一ベイズ表現
• Authors: Albert Belenguer-Llorens, Carlos Sevilla-Salcedo, Jussi Tohka, Vanessa Gómez-Verdejo,
• Abstract要約: BALDURは、マルチモーダルデータセットと小さなサンプルサイズを高次元設定で扱うように設計された新しいベイズアルゴリズムである。 このモデルは2つの異なる神経変性データセットでテストされ、最先端のモデルよりも優れ、科学文献に記載されているマーカーと一致した特徴を検出する。
• 参考スコア（独自算出の注目度）: 0.8890696402391598
• License:
• Abstract: We present BALDUR, a novel Bayesian algorithm designed to deal with multi-modal datasets and small sample sizes in high-dimensional settings while providing explainable solutions. To do so, the proposed model combines within a common latent space the different data views to extract the relevant information to solve the classification task and prune out the irrelevant/redundant features/data views. Furthermore, to provide generalizable solutions in small sample size scenarios, BALDUR efficiently integrates dual kernels over the views with a small sample-to-feature ratio. Finally, its linear nature ensures the explainability of the model outcomes, allowing its use for biomarker identification. This model was tested over two different neurodegeneration datasets, outperforming the state-of-the-art models and detecting features aligned with markers already described in the scientific literature.
• Abstract（参考訳）: 本稿では,マルチモーダルなデータセットと,高次元のサンプルサイズを扱うための新しいベイズアルゴリズムであるBALDURを提案する。 そのため,提案モデルでは,共通潜在空間内で異なるデータビューを合成し,関連する情報を抽出して分類課題を解決し,無関係・冗長な特徴・データビューを抽出する。 さらに、小さなサンプルサイズのシナリオで一般化可能なソリューションを提供するため、BALDURは、小さなサンプル対機能比でビュー上のデュアルカーネルを効率的に統合する。 最後に、その線形性はモデル結果の説明可能性を確保し、バイオマーカーの識別に使用できる。 このモデルは2つの異なる神経変性データセットでテストされ、最先端のモデルよりも優れ、科学文献に記載されているマーカーと一致した特徴を検出する。

関連論文リスト

• Dataset Distillation for Histopathology Image Classification [46.04496989951066]
  病理画像データセット(Histo-DD)に適した新しいデータセット蒸留アルゴリズムを提案する。 提案アルゴリズムの有効性を総合的に評価し, パッチレベルとスライドレベルの両方の分類タスクにおいて, 組織学的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-08-19T05:53:38Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Dual-View Data Hallucination with Semantic Relation Guidance for Few-Shot Image Recognition [49.26065739704278]
  本稿では、意味的関係を利用して、画像認識のための二重視点データ幻覚を導出するフレームワークを提案する。 インスタンスビューデータ幻覚モジュールは、新規クラスの各サンプルを幻覚して新しいデータを生成する。 プロトタイプビューデータ幻覚モジュールは、意味認識尺度を利用して、新しいクラスのプロトタイプを推定する。
  論文  参考訳（メタデータ） (2024-01-13T12:32:29Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
  本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。 解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。 生成した画像は,既存の手法に比べて定量的に顕著に改善された。
  論文  参考訳（メタデータ） (2021-04-22T11:18:17Z)
• 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)
• Multi-view Data Visualisation via Manifold Learning [0.03222802562733786]
  本論文は, 学生のT分散SNE, LLE, ISOMAPの拡張を提案し, 多視点データの次元的縮小と可視化を可能にする。 マルチビューマニホールド学習手法で得られた低次元埋め込みをK平均アルゴリズムに組み込むことにより、サンプルのクラスタを正確に特定できることを示した。
  論文  参考訳（メタデータ） (2021-01-17T19:54:36Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• A Multi-criteria Approach for Fast and Outlier-aware Representative Selection from Manifolds [1.5469452301122175]
  MOSAICは、非線形構造を示す可能性のある高次元データから、新しい代表選択手法である。 提案手法は,サンプルサブセットのグローバル表現力を最大化する多基準選択手法を推し進める。 代表部分集合の望ましい特性を全て一度に達成するMOSAICの優位性を示す。
  論文  参考訳（メタデータ） (2020-03-12T19:31:10Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。