論文の概要: SSI-GAN: Semi-Supervised Swin-Inspired Generative Adversarial Networks for Neuronal Spike Classification

• arxiv url: http://arxiv.org/abs/2601.00189v1
• Date: Thu, 01 Jan 2026 03:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.298615
• Title: SSI-GAN: Semi-Supervised Swin-Inspired Generative Adversarial Networks for Neuronal Spike Classification
• Title（参考訳）: SSI-GAN:神経スパイク分類のための半スーパービジョンスイニングインスパイアされたジェネレーティブ・ディバイザ・ネットワーク
• Authors: Danial Sharifrazi, Nouman Javed, Mojtaba Mohammadi, Seyede Sana Salehi, Roohallah Alizadehsani, Prasad N. Paradkar, U. Rajendra Acharya, Asim Bhatti,
• Abstract要約: SSI-GANは、神経スパイク列車を分類し、ウイルス性ニューロトロピズムを検出するために用いられる。 感染後3日目の分類精度は99.93%に達し、ラベル付きデータはわずか3%だった。 これは、標準的な教師付きアプローチと比較して、手動ラベリングの労力が97-99%削減されたことを示している。
• 参考スコア（独自算出の注目度）: 10.042607853319803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mosquitos are the main transmissive agents of arboviral diseases. Manual classification of their neuronal spike patterns is very labor-intensive and expensive. Most available deep learning solutions require fully labeled spike datasets and highly preprocessed neuronal signals. This reduces the feasibility of mass adoption in actual field scenarios. To address the scarcity of labeled data problems, we propose a new Generative Adversarial Network (GAN) architecture that we call the Semi-supervised Swin-Inspired GAN (SSI-GAN). The Swin-inspired, shifted-window discriminator, together with a transformer-based generator, is used to classify neuronal spike trains and, consequently, detect viral neurotropism. We use a multi-head self-attention model in a flat, window-based transformer discriminator that learns to capture sparser high-frequency spike features. Using just 1 to 3% labeled data, SSI-GAN was trained with more than 15 million spike samples collected at five-time post-infection and recording classification into Zika-infected, dengue-infected, or uninfected categories. Hyperparameters were optimized using the Bayesian Optuna framework, and performance for robustness was validated under fivefold Monte Carlo cross-validation. SSI-GAN reached 99.93% classification accuracy on the third day post-infection with only 3% labeled data. It maintained high accuracy across all stages of infection with just 1% supervision. This shows a 97-99% reduction in manual labeling effort relative to standard supervised approaches at the same performance level. The shifted-window transformer design proposed here beat all baselines by a wide margin and set new best marks in spike-based neuronal infection classification.
• Abstract（参考訳）: モスキトース(Mosquitos)は、アルボウイルス病の主要な伝染薬である。 神経スパイクパターンのマニュアル分類は非常に労働集約的で高価である。 ほとんどの利用可能なディープラーニングソリューションは、完全にラベル付けされたスパイクデータセットと高度に前処理された神経信号を必要とする。 これにより、実際の現場シナリオにおける大量導入の可能性を低減することができる。 ラベル付きデータの不足に対処するため,SSI-GAN(Semi-supervised Swin-Inspired GAN)と呼ばれる新しいGANアーキテクチャを提案する。 スウィンにインスパイアされたシフトウインドウ判別器は、トランスフォーマーベースの発電機とともに、神経スパイク列車の分類に使用され、その結果ウイルス性ニューロトロピズムを検出する。 我々は、スペーサーの高周波スパイク特徴を捉えることを学ぶフラットなウィンドウベース変圧器のマルチヘッド自己注意モデルを用いている。 わずか1～3%のラベル付きデータを用いて、SSI-GANは5回の感染後、1500万件以上のスパイクサンプルを収集し、ジカ熱、デング熱、未感染のカテゴリに分類した。 ハイパーパラメータはベイジアン・オプトゥーナ(英語版)フレームワークを用いて最適化され、ロバスト性の評価はモンテカルロ・クロスバリデーション(英語版)の5倍の精度で検証された。 SSI-GANは3日目の感染後、わずか3%のラベル付きデータで99.93%の分類精度に達した。 感染のすべての段階で高い精度を維持しており、監督はわずか1%であった。 これは、標準的な教師付きアプローチと同等のパフォーマンスレベルで、手動ラベリングの労力を97-99%削減したことを示している。 ここで提案されたシフトウインドウトランスフォーマーの設計は、すべてのベースラインを広いマージンで打ち負かし、スパイクベースの神経感染症の分類において新しいベストマークを樹立した。

関連論文リスト

• Skin Lesion Classification Using a Soft Voting Ensemble of Convolutional Neural Networks [0.0]
  本稿では,CNNのソフト投票アンサンブルを用いた早期皮膚がん分類法を提案する。 この方法は3つのデータセットに対して96.32%、90.86%、93.92%の病変認識精度を達成した。
  論文  参考訳（メタデータ） (2025-12-23T15:20:47Z)
• Detection of retinal diseases using an accelerated reused convolutional network [3.5808917363708743]
  ArConv層と呼ばれる新しい畳み込み層を組み込んだ新しい汎用モデルを作成します。 このモデルは携帯電話での使用に適した複雑さを持ち、疾患の存在を高精度に診断するタスクを実行することができる。
  論文  参考訳（メタデータ） (2025-10-05T14:44:09Z)
• 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)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• DOCTOR: A Multi-Disease Detection Continual Learning Framework Based on Wearable Medical Sensors [3.088223994180069]
  ウェアラブル医療センサ(WMS)に基づく多相検出連続学習フレームワークであるDOCTORを提案する。 マルチヘッドディープニューラルネットワーク(DNN)とリプレイスタイルのCLアルゴリズムを採用している。 平均テスト精度は1.43倍、F1スコアは1.25倍、後方転送は0.41倍である。
  論文  参考訳（メタデータ） (2023-05-09T19:33:17Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations [5.408694811103598]
  この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。 ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。 5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
  論文  参考訳（メタデータ） (2021-12-03T09:07:29Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。