論文の概要: SpecReX: Explainable AI for Raman Spectroscopy

• arxiv url: http://arxiv.org/abs/2503.14567v1
• Date: Tue, 18 Mar 2025 10:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:31.607522
• Title: SpecReX: Explainable AI for Raman Spectroscopy
• Title（参考訳）: SpecReX: ラマン分光のための説明可能なAI
• Authors: Nathan Blake, David A. Kelly, Akchunya Chanchal, Sarah Kapllani-Mucaj, Geraint Thomas, Hana Chockler,
• Abstract要約: 本稿ではRamanスペクトルの説明に特化したSpecReXを紹介する。 SpecReXは実際の因果関係の理論を用いてスペクトルの因果責任をランク付けする。 SpecReXがクラス間の既知の差異にローカライズできることを確立します。
• 参考スコア（独自算出の注目度）: 4.541069830146568
• License:
• Abstract: Raman spectroscopy is becoming more common for medical diagnostics with deep learning models being increasingly used to leverage its full potential. However, the opaque nature of such models and the sensitivity of medical diagnosis together with regulatory requirements necessitate the need for explainable AI tools. We introduce SpecReX, specifically adapted to explaining Raman spectra. SpecReX uses the theory of actual causality to rank causal responsibility in a spectrum, quantified by iteratively refining mutated versions of the spectrum and testing if it retains the original classification. The explanations provided by SpecReX take the form of a responsibility map, highlighting spectral regions most responsible for the model to make a correct classification. To assess the validity of SpecReX, we create increasingly complex simulated spectra, in which a "ground truth" signal is seeded, to train a classifier. We then obtain SpecReX explanations and compare the results with another explainability tool. By using simulated spectra we establish that SpecReX localizes to the known differences between classes, under a number of conditions. This provides a foundation on which we can find the spectral features which differentiate disease classes. This is an important first step in proving the validity of SpecReX.
• Abstract（参考訳）: ラマン分光法は、深層学習モデルを用いてその潜在能力を最大限活用する医療診断において、より一般的なものになりつつある。 しかし、そのようなモデルの不透明な性質と、規制要件とともに診断の感度は、説明可能なAIツールの必要性を必要とする。 本稿ではRamanスペクトルの説明に特化したSpecReXを紹介する。 SpecReXは実際の因果関係の理論を用いて、スペクトルの因果責任をランク付けし、スペクトルの変異バージョンを反復的に精製し、元の分類を維持している場合のテストによって定量化する。 SpecReXが提供する説明は、モデルに最も責任があるスペクトル領域を正しく分類する責任マップの形式を採っている。 SpecReXの有効性を評価するために、より複雑なシミュレーションスペクトルを作成し、そこで「地上真理」信号がシードされ、分類器を訓練する。 次に、SpecReXの説明を取得し、その結果を別の説明可能性ツールと比較する。 シミュレーションスペクトルを使用することで、多くの条件下で、SpecReXが既知のクラス間の差異にローカライズできることを確立します。 これは、病気のクラスを区別するスペクトルの特徴を見つける基盤を提供する。 これはSpecReXの有効性を証明するための重要な第一歩です。

関連論文リスト

• Point-Calibrated Spectral Neural Operators [54.13671100638092]
  点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。 点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Universal Spectral Transfer with Physical Prior-Informed Deep Generative Learning [9.603403541272746]
  本稿では、スペクトルシグネチャを生成するための新しい物理的事前情報深層生成モデルであるSpectroGenを紹介する。 結果,99%の相関と0.01の根平均二乗誤差が得られた基底真理スペクトルよりも優れた分解能を示した。
  論文  参考訳（メタデータ） (2024-07-22T23:31:10Z)
• SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance Field [70.15900280156262]
  本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。 スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-14T07:19:31Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• RamanNet: A generalized neural network architecture for Raman Spectrum Analysis [4.670045009583903]
  ラマン分光法は分子の振動プロファイルを提供し、異なる種類の物質を識別するために用いられる。 近年のRaman Spectraデータ量の増加にもかかわらず、Raman Spectra分析のための一般化された機械学習手法の開発には大きな努力が払われていない。 既存の手法を検証、実験、評価し、現在の逐次モデルも従来の機械学習モデルも、Ramanスペクトルの分析に十分満足できないと推測する。
  論文  参考訳（メタデータ） (2022-01-20T23:15:25Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery [3.3283767441645478]
  晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。 作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。 近年の撮像センサー(RGB、多重スペクトルカメラ、ハイパースペクトルカメラなど)、リモートセンシング、機械学習は、この課題に対処する機会を提供する。
  論文  参考訳（メタデータ） (2021-07-28T11:18:48Z)
• SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
  ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。 我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T02:59:21Z)
• SpecTr: Spectral Transformer for Hyperspectral Pathology Image Segmentation [14.34998033157658]
  我々はスペクトル帯域間の長距離依存性をモデル化できるSpectral Transformer (SpecTr) と命名した。 spectrは、事前トレーニングを必要とせず、ハイパースペクトル病理画像セグメンテーションベンチマークで他の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T11:12:22Z)
• Persistent spectral based machine learning (PerSpect ML) for drug design [0.0]
  薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。 我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。 これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-02-03T07:14:21Z)

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。

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。