論文の概要: Adversarial Contrastive Domain-Generative Learning for Bacteria Raman Spectrum Joint Denoising and Cross-Domain Identification

• arxiv url: http://arxiv.org/abs/2412.08241v1
• Date: Wed, 11 Dec 2024 09:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:01:22.365892
• Title: Adversarial Contrastive Domain-Generative Learning for Bacteria Raman Spectrum Joint Denoising and Cross-Domain Identification
• Title（参考訳）: 細菌ラマンスペクトル関節の逆相関領域生成学習とクロスドメイン同定
• Authors: Haiming Yao, Wei Luo, Xue Wang,
• Abstract要約: 連成ラマン分光法とクロスドメイン同定のための対向的対照的なドメイン生成学習フレームワークを提案する。 ケーススタディによれば, 提案手法は, ノイズのない地中構造を必要とせず, 同時にスペクトルデノナイジングを行うことができる。
• 参考スコア（独自算出の注目度）: 7.241321070742562
• License:
• Abstract: Raman spectroscopy, as a label-free detection technology, has been widely utilized in the clinical diagnosis of pathogenic bacteria. However, Raman signals are naturally weak and sensitive to the condition of the acquisition process. The characteristic spectra of a bacteria can manifest varying signal-to-noise ratios and domain discrepancies under different acquisition conditions. Consequently, existing methods often face challenges when making identification for unobserved acquisition conditions, i.e., the testing acquisition conditions are unavailable during model training. In this article, a generic framework, namely, an adversarial contrastive domain-generative learning framework, is proposed for joint Raman spectroscopy denoising and cross-domain identification. The proposed method is composed of a domain generation module and a domain task module. Through adversarial learning between these two modules, it utilizes only a single available source domain spectral data to generate extended denoised domains that are semantically consistent with the source domain and extracts domain-invariant representations. Comprehensive case studies indicate that the proposed method can simultaneously conduct spectral denoising without necessitating noise-free ground-truth and can achieve improved diagnostic accuracy and robustness under cross-domain unseen spectral acquisition conditions. This suggests that the proposed method holds remarkable potential as a diagnostic tool in real clinical cases.
• Abstract（参考訳）: ラマン分光法は、ラベルのない検出技術として、病原細菌の臨床的診断に広く利用されている。 しかし、ラマン信号は自然に弱く、取得プロセスの条件に敏感である。 細菌の特徴スペクトルは、異なる取得条件下で異なる信号対雑音比とドメインの相違を示すことができる。 その結果、既存の手法では、未観測の取得条件を識別する場合、すなわち、モデルトレーニング中にテスト取得条件が利用できない場合、しばしば課題に直面している。 本稿では,ラマン分光法とクロスドメイン識別のための汎用フレームワーク,すなわち対向的対照的なドメイン生成学習フレームワークを提案する。 提案手法はドメイン生成モジュールとドメインタスクモジュールから構成される。 これら2つのモジュール間の敵対的学習を通じて、単一の利用可能なソースドメインスペクトルデータのみを使用して、ソースドメインと意味的に整合した拡張されたデノナイズドドメインを生成し、ドメイン不変表現を抽出する。 総合的なケーススタディでは、提案手法は、ノイズのない地中構造を必要とせずに同時にスペクトルの復調を行うことができ、クロスドメインなスペクトル取得条件下での診断精度と堅牢性を向上させることができる。 このことから,本手法は実症例の診断ツールとして有意な可能性を秘めていると考えられる。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Dual adversarial and contrastive network for single-source domain generalization in fault diagnosis [1.9389881806157316]
  本稿では,単一ソース領域の一般化故障診断のための二重対角コントラストネットワーク(DAC)を提案する。 DACの主な考え方は、多様なサンプル特徴を生成し、ドメイン不変の特徴表現を抽出することである。 テネシー・イーストマン・プロセスと連続旋回タンク・リアクターの実験は、DACが目に見えないモードで高い分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-19T02:06:41Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Learning to Generalize over Subpartitions for Heterogeneity-aware Domain Adaptive Nuclei Segmentation [8.303040737608173]
  画像レベルとインスタンスレベルの両方でドメイン不変の特徴表現を取得するために,2段階のアンタングルメントフレームワークを提案する。 合成画像における核の過剰発生と変形を防止するために, 二重分岐型核形状と構造保存モジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-17T01:37:17Z)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。