論文の概要: SwiftRepertoire: Few-Shot Immune-Signature Synthesis via Dynamic Kernel Codes
- arxiv url: http://arxiv.org/abs/2602.01051v1
- Date: Sun, 01 Feb 2026 06:30:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.558994
- Title: SwiftRepertoire: Few-Shot Immune-Signature Synthesis via Dynamic Kernel Codes
- Title（参考訳）: SwiftRepertoire:動的カーネルコードによる免疫署名合成
- Authors: Rong Fu, Wenxin Zhang, Muge Qi, Yang Li, Yabin Jin, Jiekai Wu, Jiaxuan Lu, Chunlei Meng, Youjin Wang, Zeli Su, Juntao Gao, Li Bao, Qi Zhao, Wei Luo, Simon Fong,
- Abstract要約: 本稿では,軽量タスク記述子に条件付きプロトタイプの学習辞書から,コンパクトなタスク固有パラメータ化を合成するフレームワークを提案する。
このアーキテクチャは、モチーフ対応プローブとモチーフ発見パイプラインを通じて、解釈可能性を保存する。
- 参考スコア（独自算出の注目度）: 19.000998531934865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Repertoire-level analysis of T cell receptors offers a biologically grounded signal for disease detection and immune monitoring, yet practical deployment is impeded by label sparsity, cohort heterogeneity, and the computational burden of adapting large encoders to new tasks. We introduce a framework that synthesizes compact task-specific parameterizations from a learned dictionary of prototypes conditioned on lightweight task descriptors derived from repertoire probes and pooled embedding statistics. This synthesis produces small adapter modules applied to a frozen pretrained backbone, enabling immediate adaptation to novel tasks with only a handful of support examples and without full model fine-tuning. The architecture preserves interpretability through motif-aware probes and a calibrated motif discovery pipeline that links predictive decisions to sequence-level signals. Together, these components yield a practical, sample-efficient, and interpretable pathway for translating repertoire-informed models into diverse clinical and research settings where labeled data are scarce and computational resources are constrained.
- Abstract（参考訳）: T細胞受容体のレパートリーレベルの解析は、病気の検出と免疫モニタリングのための生物学的に基底的なシグナルを提供するが、実際的な展開は、ラベルの空間性、コホート不均一性、および大きなエンコーダを新しいタスクに適応する際の計算的負担によって妨げられる。
本稿では,レパートリープローブとプール埋め込み統計から得られた軽量タスク記述子に条件付けされたプロトタイプの学習辞書から,コンパクトなタスク固有パラメータ化を合成するフレームワークを提案する。
この合成は、凍結した事前訓練されたバックボーンに適用された小さなアダプタモジュールを生成し、少数のサポート例と完全なモデル微調整のない新規タスクへの即時適応を可能にする。
このアーキテクチャは、モチーフ認識プローブと、予測決定をシーケンスレベル信号にリンクするキャリブレーションされたモチーフ発見パイプラインを通じて、解釈可能性を保存する。
これらのコンポーネントを合わせて、レパートリーインフォームドモデルからラベル付きデータが不足し、計算資源が制約された多様な臨床および研究環境に翻訳するための実用的で、サンプル効率が高く、解釈可能な経路を提供する。
関連論文リスト
- Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。
合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。
本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
論文 参考訳（メタデータ） (2026-01-01T06:11:16Z) - Zero-Training Task-Specific Model Synthesis for Few-Shot Medical Image Classification [5.59515535487396]
深層学習モデルは、医用画像解析において顕著な成功を収めてきたが、大規模かつ精巧に注釈付けされたデータセットの要求に制約されている。
ゼロトレーニングタスク特化モデル合成(ZS-TMS)という新しいパラダイムを提案する。
既存のモデルに適応したり、新しいモデルをトレーニングする代わりに、大規模で事前訓練された生成エンジンを活用して、タスク固有の分類器のパラメータ集合全体を直接的に合成する。
論文 参考訳（メタデータ） (2025-11-18T03:12:01Z) - Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。
HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。
ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。
どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
論文 参考訳（メタデータ） (2025-10-27T00:04:17Z) - EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。
問題、多様な候補解、検証成果物を共同で合成する。
これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
論文 参考訳（メタデータ） (2025-10-20T11:56:35Z) - FSP-DETR: Few-Shot Prototypical Parasitic Ova Detection [6.732071883787906]
FSP-DETRは,ロバストな数発検出,オープンセット認識,バイオメディカルタスクの一般化を可能にする統合検出フレームワークである。
本手法は,クラスに依存しないDETRバックボーン上に構築され,元のサポートイメージからクラスプロトタイプを構築し,拡張ビューと軽量トランスフォーマーデコーダを用いて埋め込み空間を学習する。
卵巣、血液細胞、マラリア検出タスクにわたるテストでは、FSP-DETRは以前の数発およびプロトタイプベースの検出器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-10-10T17:38:40Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Structural Inference: Interpreting Small Language Models with Susceptibilities [0.5242869847419834]
本研究では,ニューラルネットワークをベイズ統計力学系として扱う線形応答フレームワークを開発した。
データ分散の小さな摂動は、ネットワークの選択されたコンポーネントに局在した観測可能領域の後方期待の1次変化を誘導する。
結果として生じる感受性は、局所的なSGLDサンプルで効率的に推定され、署名された個々のコントリビューションに分解される。
論文 参考訳（メタデータ） (2025-04-25T11:39:32Z) - Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF)
我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。
本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-07T17:32:21Z) - Multimodal Prototyping for cancer survival prediction [45.61869793509184]
ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。
現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。
このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。
我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-06-28T20:37:01Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z)
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。