論文の概要: Contrast transfer functions help quantify neural network out-of-distribution generalization in HRTEM

• arxiv url: http://arxiv.org/abs/2512.09067v1
• Date: Tue, 09 Dec 2025 19:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.296888
• Title: Contrast transfer functions help quantify neural network out-of-distribution generalization in HRTEM
• Title（参考訳）: コントラスト伝達関数はHRTEMにおけるニューラルネットワークの分布外一般化の定量化に役立つ
• Authors: Luis Rangel DaCosta, Mary C. Scott,
• Abstract要約: 我々は、データセットの情報内容を比較し、ドメインシフトを定量化するフレームワークを開発する。 ニューラルネットワークセグメンテーションモデルでは,性能の安定性は高いが,画像条件がトレーニング分布から移行するにつれて,スムーズかつ予測的に悪化することが実証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks, while effective for tackling many challenging scientific tasks, are not known to perform well out-of-distribution (OOD), i.e., within domains which differ from their training data. Understanding neural network OOD generalization is paramount to their successful deployment in experimental workflows, especially when ground-truth knowledge about the experiment is hard to establish or experimental conditions significantly vary. With inherent access to ground-truth information and fine-grained control of underlying distributions, simulation-based data curation facilitates precise investigation of OOD generalization behavior. Here, we probe generalization with respect to imaging conditions of neural network segmentation models for high-resolution transmission electron microscopy (HRTEM) imaging of nanoparticles, training and measuring the OOD generalization of over 12,000 neural networks using synthetic data generated via random structure sampling and multislice simulation. Using the HRTEM contrast transfer function, we further develop a framework to compare information content of HRTEM datasets and quantify OOD domain shifts. We demonstrate that neural network segmentation models enjoy significant performance stability, but will smoothly and predictably worsen as imaging conditions shift from the training distribution. Lastly, we consider limitations of our approach in explaining other OOD shifts, such as of the atomic structures, and discuss complementary techniques for understanding generalization in such settings.
• Abstract（参考訳）: ニューラルネットワークは、多くの挑戦的な科学的タスクに取り組むのに効果的であるが、訓練データと異なる領域内で、よく配布される(OOD)ことは分かっていない。 ニューラルネットワークのOOD一般化を理解することは、特に実験に関する地味な知識が確立し難い場合や実験条件が著しく異なる場合、実験ワークフローでのデプロイメントの成功にとって最重要である。 地中構造情報への固有のアクセスと基礎となる分布のきめ細かい制御により、シミュレーションベースのデータキュレーションはOOD一般化挙動の精密な調査を容易にする。 本稿では,ナノ粒子の高分解能透過電子顕微鏡(HRTEM)イメージングのためのニューラルネットワーク分割モデルの撮像条件に関する一般化について,ランダム構造サンプリングとマルチスライスシミュレーションにより生成された合成データを用いて,12,000以上のニューラルネットワークのOOD一般化の訓練と測定を行う。 HRTEMコントラスト伝達関数を用いて、HRTEMデータセットの情報内容を比較し、OODドメインシフトを定量化するフレームワークをさらに開発する。 ニューラルネットワークセグメンテーションモデルでは,性能の安定性は高いが,画像条件がトレーニング分布から移行するにつれて,スムーズかつ予測的に悪化することが実証された。 最後に、原子構造などの他のOODシフトを説明する際のアプローチの限界について考察し、そのような設定における一般化を理解するための補完的手法について議論する。

関連論文リスト

• Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg [3.379673965672007]
  我々は、与えられたトレーニングデータセットの多様性を完全に活用するために、新しいデータ駆動型トレインタイムサンプリング戦略を導入する。 重度の解剖学的異常を有する被験者を対象に, セグメンテーション品質の顕著な改善を図った。
  論文  参考訳（メタデータ） (2025-04-14T14:08:26Z)
• Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
  本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。 本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。 画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-02-20T11:13:41Z)
• Preserving Information: How does Topological Data Analysis improve Neural Network performance? [0.0]
  本稿では,画像認識におけるトポロジカルデータ解析(TDA)と畳み込みニューラルネットワーク(CNN)の統合手法を提案する。 我々のアプローチは、ベクトルスチッチ(Vector Stitching)と呼ばれ、生画像データと追加のトポロジ情報を組み合わせたものである。 実験の結果は,追加データ解析の結果をネットワークの推論プロセスに組み込むことの可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T14:56:05Z)
• Pruning neural network models for gene regulatory dynamics using data and domain knowledge [24.670514977455202]
  本稿では,モデルフィッティングにおけるドメイン固有構造情報を用いてネットワークプルーニングをガイドするフレームワークであるDASHを提案する。 DASHは、遺伝子相互作用パートナーに関する知識を用いて、一般的な刈り取り法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T23:02:55Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。