論文の概要: A Methodological Framework for Measuring Spatial Labeling Similarity

• arxiv url: http://arxiv.org/abs/2505.14128v1
• Date: Tue, 20 May 2025 09:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.974169
• Title: A Methodological Framework for Measuring Spatial Labeling Similarity
• Title（参考訳）: 空間ラベル類似度測定のための方法論的枠組み
• Authors: Yihang Du, Jiaying Hu, Suyang Hou, Yueyang Ding, Xiaobo Sun,
• Abstract要約: 位置構造,ラベル,属性に基づく2つの空間ラベリングをグラフに変換するためのフレームワークを提供する。 その後、それらのグラフ属性の分布を抽出し、分布の相違を効率的に反映する。 SLAMは、他の確立された評価指標と比較して、ラベリング品質の包括的かつ正確な計算方法を提供する。
• 参考スコア（独自算出の注目度）: 1.5553847214012175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial labeling assigns labels to specific spatial locations to characterize their spatial properties and relationships, with broad applications in scientific research and practice. Measuring the similarity between two spatial labelings is essential for understanding their differences and the contributing factors, such as changes in location properties or labeling methods. An adequate and unbiased measurement of spatial labeling similarity should consider the number of matched labels (label agreement), the topology of spatial label distribution, and the heterogeneous impacts of mismatched labels. However, existing methods often fail to account for all these aspects. To address this gap, we propose a methodological framework to guide the development of methods that meet these requirements. Given two spatial labelings, the framework transforms them into graphs based on location organization, labels, and attributes (e.g., location significance). The distributions of their graph attributes are then extracted, enabling an efficient computation of distributional discrepancy to reflect the dissimilarity level between the two labelings. We further provide a concrete implementation of this framework, termed Spatial Labeling Analogy Metric (SLAM), along with an analysis of its theoretical foundation, for evaluating spatial labeling results in spatial transcriptomics (ST) \textit{as per} their similarity with ground truth labeling. Through a series of carefully designed experimental cases involving both simulated and real ST data, we demonstrate that SLAM provides a comprehensive and accurate reflection of labeling quality compared to other well-established evaluation metrics. Our code is available at https://github.com/YihDu/SLAM.
• Abstract（参考訳）: 空間的ラベル付けは、ラベルを特定の空間的位置に割り当て、その空間的特性と関係を特徴づけ、科学的研究や実践に広く応用する。 2つの空間的ラベリングの類似性を測定することは、それらの相違点と、位置特性の変化やラベリング手法などの寄与要因を理解するのに不可欠である。 空間ラベルの類似度を適切に、不偏に測定するには、マッチングラベルの数(ラベル合意)、空間ラベル分布のトポロジ、不一致ラベルの不均一な影響を考慮する必要がある。 しかし、既存のメソッドはこれらのすべての側面を説明できないことが多い。 このギャップに対処するため,これらの要件を満たす手法の開発を導くための方法論的枠組みを提案する。 2つの空間ラベリングが与えられた場合、このフレームワークはそれらを位置組織、ラベル、属性(例えば、位置の重要性)に基づいてグラフに変換する。 次に、それらのグラフ属性の分布を抽出し、2つのラベリング間の相似度レベルを反映する分布差の効率的な計算を可能にする。 さらに、このフレームワークの具体的実装として、空間的ラベリング・アナロジー・メトリック (SLAM) と、その理論的基盤の分析を行い、空間的ラベリングの結果を空間的ラベリング(ST) \textit{as per} で評価する。 シミュレーションと実STデータの両方を含む一連の慎重に設計された実験事例を通して、SLAMは、他のよく確立された評価指標と比較して、ラベル付け品質の包括的かつ正確なリフレクションを提供することを示した。 私たちのコードはhttps://github.com/YihDu/SLAM.comで公開されています。

関連論文リスト

• Online Multi-Label Classification under Noisy and Changing Label Distribution [9.17381554071824]
  本稿では,Nuisy and Changing Label Distribution (NCLD) に基づくオンラインマルチラベル分類アルゴリズムを提案する。 NCLDへの頑健さは3つの新作の恩恵を受けるため,ラベルスコアとラベルランキングを高い精度で同時にモデル化することを目的としている。
  論文  参考訳（メタデータ） (2024-10-03T11:16:43Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Scalable Label Distribution Learning for Multi-Label Classification [43.52928088881866]
  マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。 既存のMLC法の多くは、ラベルペア内の2つのラベルの相関が対称であるという仮定に基づいている。 既存のほとんどの手法はラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。
  論文  参考訳（メタデータ） (2023-11-28T06:52:53Z)
• Contrastive Label Enhancement [13.628665406039609]
  コントラスト学習戦略により高次特徴を生成するコントラストラベル拡張(Contrastive Label Enhancement, ConLE)を提案する。 得られた高レベルな特徴を活用し、よく設計されたトレーニング戦略によりラベル分布を得る。
  論文  参考訳（メタデータ） (2023-05-16T14:53:07Z)
• Label distribution learning via label correlation grid [9.340734188957727]
  ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。 我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
  論文  参考訳（メタデータ） (2022-10-15T03:58:15Z)
• Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning [80.05441565830726]
  本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。 本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。 不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-10T11:58:25Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。