Fugu-MT 論文翻訳(概要): Autoassociative Learning of Structural Representations for Modeling and Classification in Medical Imaging

論文の概要: Autoassociative Learning of Structural Representations for Modeling and Classification in Medical Imaging

arxiv url: http://arxiv.org/abs/2411.12070v1
Date: Mon, 18 Nov 2024 21:29:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-20 13:37:40.840775
Title: Autoassociative Learning of Structural Representations for Modeling and Classification in Medical Imaging
Title（参考訳）: 医用画像のモデリングと分類のための構造表現の自己連想学習
Authors: Zuzanna Buchnajzer, Kacper Dobek, Stanisław Hapke, Daniel Jankowski, Krzysztof Krawiec,
Abstract要約: 本研究では,視覚的プリミティブの観点から観察画像の再構成によって学習するニューロシンボリックシステムのクラスを提案する。組織像の異常診断に応用すると,従来のディープラーニングアーキテクチャよりも分類精度が優れていた。
参考スコア（独自算出の注目度）: 0.157286095422595
License:
Abstract: Deep learning architectures based on convolutional neural networks tend to rely on continuous, smooth features. While this characteristics provides significant robustness and proves useful in many real-world tasks, it is strikingly incompatible with the physical characteristic of the world, which, at the scale in which humans operate, comprises crisp objects, typically representing well-defined categories. This study proposes a class of neurosymbolic systems that learn by reconstructing the observed images in terms of visual primitives and are thus forced to form high-level, structural explanations of them. When applied to the task of diagnosing abnormalities in histological imaging, the method proved superior to a conventional deep learning architecture in terms of classification accuracy, while being more transparent.
Abstract（参考訳）: 畳み込みニューラルネットワークに基づくディープラーニングアーキテクチャは、連続的でスムーズな機能に依存する傾向がある。この特徴は、多くの実世界のタスクで有用であることが証明されているが、人間が操作するスケールでは、よく定義されたカテゴリを表すクリップオブジェクトで構成されている、世界の物理的特徴と著しく相容れない。本研究は,視覚的プリミティブの観点から観察画像の再構成によって学習し,高レベルな構造的説明を強制する神経記号系のクラスを提案する。組織像の異常診断に応用すると, 従来型の深層学習の手法よりも, より透過的でありながら, 分類精度が優れていた。

関連論文リスト

Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。ネットワークが強力なデータ依存機能を取得することを示す。驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文参考訳（メタデータ） (2024-06-24T14:50:05Z)
Emergent Language Symbolic Autoencoder (ELSA) with Weak Supervision to Model Hierarchical Brain Networks [0.12075823996747355]
脳ネットワークには階層的な組織があり、既存のディープラーニングモデルに課題をもたらす複雑性がある。本稿では,弱い監督と創発的言語(EL)フレームワークによって情報を得るシンボリックオートエンコーダを提案する。私たちの革新には、文と画像の両方が機能的脳ネットワークの階層構造を正確に反映するように設計された一般化階層的損失関数が含まれています。
論文参考訳（メタデータ） (2024-04-15T13:51:05Z)
LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文参考訳（メタデータ） (2023-09-24T05:43:19Z)
Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文参考訳（メタデータ） (2022-03-24T15:24:38Z)
An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。まず,表面データに摂動に基づくアプローチを適用した。我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文参考訳（メタデータ） (2022-03-15T23:16:49Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文参考訳（メタデータ） (2021-10-27T19:48:55Z)
pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
論文参考訳（メタデータ） (2021-06-14T15:19:06Z)
Towards a Predictive Processing Implementation of the Common Model of Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文参考訳（メタデータ） (2021-05-15T22:55:23Z)
Contrastive Representation Learning for Whole Brain Cytoarchitectonic Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-25T16:44:23Z)
Neural encoding and interpretation for high-level visual cortices based on fMRI using image caption features [14.038605815510145]
本研究では、画像キャプション(IC)タスクと、高レベルの視覚皮質のボクセルを符号化するためのIC特徴に基づく視覚符号化モデルを提案する。
論文参考訳（メタデータ） (2020-03-26T08:47:21Z)

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。