論文の概要: NeuroADDA: Active Discriminative Domain Adaptation in Connectomic

• arxiv url: http://arxiv.org/abs/2503.06196v1
• Date: Sat, 08 Mar 2025 12:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:49:15.831654
• Title: NeuroADDA: Active Discriminative Domain Adaptation in Connectomic
• Title（参考訳）: NeuroADDA:コネクトロミックにおけるアクティブな識別ドメイン適応
• Authors: Shashata Sawmya, Thomas L. Athey, Gwyneth Liu, Nir Shavit,
• Abstract要約: 我々は、最適なドメイン選択とソース不要なアクティブラーニングを組み合わせて、トレーニング済みのバックボーンを新しいデータセットに適応させる方法であるNeuroADDAを紹介する。 NeuroADDAは、さまざまなデータセットと微調整されたサンプルサイズで、スクラッチからトレーニングを一貫して上回る。
• 参考スコア（独自算出の注目度）: 3.241925400160274
• License:
• Abstract: Training segmentation models from scratch has been the standard approach for new electron microscopy connectomics datasets. However, leveraging pretrained models from existing datasets could improve efficiency and performance in constrained annotation budget. In this study, we investigate domain adaptation in connectomics by analyzing six major datasets spanning different organisms. We show that, Maximum Mean Discrepancy (MMD) between neuron image distributions serves as a reliable indicator of transferability, and identifies the optimal source domain for transfer learning. Building on this, we introduce NeuroADDA, a method that combines optimal domain selection with source-free active learning to effectively adapt pretrained backbones to a new dataset. NeuroADDA consistently outperforms training from scratch across diverse datasets and fine-tuning sample sizes, with the largest gain observed at $n=4$ samples with a 25-67\% reduction in Variation of Information. Finally, we show that our analysis of distributional differences among neuron images from multiple species in a learned feature space reveals that these domain "distances" correlate with phylogenetic distance among those species.
• Abstract（参考訳）: スクラッチからのセグメンテーションモデルをトレーニングすることは、新しい電子顕微鏡コネクトロミクスデータセットの標準的なアプローチである。 しかし、既存のデータセットから事前訓練されたモデルを活用することで、制約付きアノテーション予算の効率性とパフォーマンスが向上する可能性がある。 本研究では,異なる生物にまたがる6つの主要なデータセットを解析し,コネクトロミクスの領域適応について検討した。 本稿では,ニューロン画像分布間の最大平均離散性(MMD)が伝達可能性の信頼性指標となり,伝達学習の最適なソース領域を同定することを示した。 これに基づいて、最適なドメイン選択とソース不要なアクティブラーニングを組み合わせて、事前学習したバックボーンを新しいデータセットに効果的に適応させる方法であるNeuroADDAを導入する。 NeuroADDAは、さまざまなデータセットと微調整されたサンプルサイズでスクラッチからトレーニングを継続的に上回る。 最後に、学習した特徴空間における複数種のニューロン画像の分布差の分析により、これらの領域の「距離」がそれらの種間の系統的距離と相関していることが判明した。

関連論文リスト

• SIDDA: SInkhorn Dynamic Domain Adaptation for Image Classification with Equivariant Neural Networks [37.69303106863453]
  SIDDA は Sinkhorn の発散に基づいて構築された DA トレーニングアルゴリズムである。 SIDDAはNNの一般化能力を向上する。 また,二面体群$D_N$の群順の変動に関して,SIDDAの有効性について検討した。
  論文  参考訳（メタデータ） (2025-01-23T19:29:34Z)
• SelectiveFinetuning: Enhancing Transfer Learning in Sleep Staging through Selective Domain Alignment [3.5833494449195293]
  実用的な睡眠段階分類において、重要な課題は、異なる主題や環境にわたる脳波データの変動である。 脳波の特徴を抽出するために,事前訓練された多分解能畳み込みニューラルネットワーク(MRCNN)を用いる。 選択的なソースデータでモデルを微調整することで、SelectiveFinetuningはターゲットドメインにおけるモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-07T13:08:54Z)
• Multi-Source EEG Emotion Recognition via Dynamic Contrastive Domain Adaptation [17.956642824289453]
  本稿では,差分エントロピー(DE)特徴に基づくマルチソース動的コントラストドメイン適応手法を提案する。 我々のモデルは、認識精度、クラス間マージン、クラス内コンパクト性において、いくつかの代替領域適応法より優れている。 また,前頭葉および頭頂葉の感情感受性も高いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-04T03:51:35Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Deep learning based domain adaptation for mitochondria segmentation on EM volumes [5.682594415267948]
  対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。 そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。 評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
  論文  参考訳（メタデータ） (2022-02-22T09:49:25Z)
• Adversarial Domain Adaptation with Paired Examples for Acoustic Scene Classification on Different Recording Devices [10.447270433913134]
  ドメイン適応(DA)に対する複数の逆モデルとその音響シーン分類課題への影響について検討する。 実験はDCASE20チャレンジタスク1Aデータセット上で行われ、異なるデバイスで記録されたデータのペア例を利用することができる。 その結果, 目標領域装置の精度を66%向上させるサイクルGANを用いて, 最適なドメイン適応が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T19:34:12Z)
• Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
  ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。 中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。 教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:15:25Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。