論文の概要: ResGene-T: A Tensor-Based Residual Network Approach for Genomic Prediction
- arxiv url: http://arxiv.org/abs/2603.00744v1
- Date: Sat, 28 Feb 2026 17:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.347475
- Title: ResGene-T: A Tensor-Based Residual Network Approach for Genomic Prediction
- Title（参考訳）: ResGene-T:ゲノム予測のためのテンソルベース残留ネットワークアプローチ
- Authors: Kuldeep Pathak, Kapil Ahuja, Eric de Sturler,
- Abstract要約: 本稿では,遺伝子型と表現型を関連づけた遺伝的予測(GP)のための新しいディープラーニングモデルを提案する。
ジェノタイプをジェノタイプ-フェノタイプ分類の2Dイメージとして表現した初期の研究に触発されて、このアイデアを回帰タスクであるGPに拡張する。
私たちは基盤となるアーキテクチャとしてResNet-18を使用し、このモデルをResGene-2Dと呼びます。
そこで本研究では,ResNet-18アーキテクチャに2Dイメージをテンソルに変換する新たなアイデアを提案し,これをResGene-Tと呼ぶ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a new deep learning model for Genomic Prediction (GP), which involves correlating genotypic data with phenotypic. The genotypes are typically fed as a sequence of characters to the 1D-Convolution Neural Network layer of the underlying deep learning model. Inspired by earlier work that represented genotype as a 2D-image for genotype-phenotype classification, we extend this idea to GP, which is a regression task. We use a ResNet-18 as the underlying architecture, and term this model as ResGene-2D. Although the 2D-image representation captures biological interactions well, it requires all the layers of the model to do so. This limits training efficiency. Thus, as seen in the earlier work that proposed a 2D-image representation, our ResGene-2D performs almost the same as other models (3% improvement). To overcome this, we propose a novel idea of converting the 2D-image into a 3D/ tensor and feed this to the ResNet-18 architecture, and term this model as ResGene-T. We evaluate our proposed models on three crop species having ten phenotypic traits and compare it with seven most popular models (two statistical, two machine learning, and three deep learning). ResGene-T performs the best among all these seven methods (gains from 14.51% to 41.51%).
- Abstract（参考訳）: 本研究では,遺伝子型と表現型を関連づけた遺伝的予測のための新しいディープラーニングモデルを提案する。
ジェノタイプは通常、基礎となるディープラーニングモデルの1D-畳み込みニューラルネットワーク層に文字のシーケンスとして供給される。
ジェノタイプをジェノタイプ-フェノタイプ分類の2Dイメージとして表現した初期の研究に触発されて、このアイデアを回帰タスクであるGPに拡張する。
私たちは基盤となるアーキテクチャとしてResNet-18を使用し、このモデルをResGene-2Dと呼びます。
2D画像表現は生物学的相互作用をうまく捉えているが、モデルのすべての層がそれを行う必要がある。
これは訓練の効率を制限します。
したがって、2D画像表現を提案した初期の研究で見られるように、ResGene-2Dは他のモデルとほぼ同じ性能(3%の改善)を達成している。
そこで本研究では,ResNet-18アーキテクチャに2Dイメージをテンソルに変換する新たなアイデアを提案し,これをResGene-Tと呼ぶ。
本研究では,10の表現型形質を持つ3種の作物について,そのモデルと最も人気のある7つのモデル(統計学2種,機械学習2種,ディープラーニング3種)を比較した。
ResGene-Tは、これらの7つの手法の中で最高である(14.51%から41.51%まで)。
関連論文リスト
- Semi-Supervised 3D Medical Segmentation from 2D Natural Images Pretrained Model [0.8758593614464055]
本稿では,3次元医用画像のセグメンテーションを改善するために,2次元自然画像に事前訓練された一般視覚モデルからの知識の伝達について検討する。
本稿では,2次元事前学習モデルからスクラッチから学習した3次元セグメンテーションモデルまで,段階的に知識を蒸留するモデル非依存フレームワークを提案する。
我々のアプローチであるM&Nは、互いに生成した擬似マスクを用いて2つのモデルの反復的協調学習と、提案した学習率誘導サンプリングを含む。
論文 参考訳（メタデータ） (2025-09-18T17:17:52Z) - Zero-1-to-G: Taming Pretrained 2D Diffusion Model for Direct 3D Generation [66.75243908044538]
我々は,事前学習した2次元拡散モデルを用いたガウススプラット上での3次元直接生成手法であるZero-1-to-Gを導入する。
3D認識を取り入れるために,複雑な相関関係を捉え,生成されたスプラット間の3D一貫性を強制する,クロスビュー層とクロスアトリビュートアテンション層を導入する。
これにより、Zero-1-to-Gは、事前訓練された2D拡散前処理を効果的に活用する最初の直接画像から3D生成モデルとなり、効率的なトレーニングと未確認物体への一般化が実現された。
論文 参考訳（メタデータ） (2025-01-09T18:37:35Z) - Deep Convolutional Neural Networks on Multiclass Classification of Three-Dimensional Brain Images for Parkinson's Disease Stage Prediction [2.931680194227131]
パーキンソン病の病期を正確に予測できるモデルを開発した。
我々は3次元脳画像全体を入力として使用した。
予測過程において,異なるスライスの重要性を考慮に入れた注意機構を組み込んだ。
論文 参考訳（メタデータ） (2024-10-31T05:40:08Z) - Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。
最近、研究者は焦点を2Dから3Dにシフトし始めた。
3Dデータの表現は、非常に大きな課題をもたらします。
論文 参考訳（メタデータ） (2022-10-27T17:59:50Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳（メタデータ） (2021-12-23T14:51:45Z) - Classification of Brain Tumours in MR Images using Deep Spatiospatial
Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。
両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文 参考訳（メタデータ） (2021-05-28T19:27:51Z) - 3D Human Pose Regression using Graph Convolutional Network [68.8204255655161]
本稿では,2次元のポーズから3次元のポーズ回帰を行うために,PoseGraphNetというグラフ畳み込みネットワークを提案する。
我々のモデルの性能は最先端に近いが、パラメータははるかに少ない。
論文 参考訳（メタデータ） (2021-05-21T14:41:31Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Models Genesis [10.929445262793116]
自然画像から医用画像への変換学習は、医用画像解析のためのディープラーニングにおける最も実践的なパラダイムの1つとして確立されている。
この制限を克服するため、私たちはGeneric Autodidactic Modelsと呼ばれるモデルセットを構築しました。
実験の結果, 対象とする5つの3Dアプリケーションすべてにおいて, 既存のトレーニング済み3Dモデルとスクラッチから学習を著しく上回る結果が得られた。
論文 参考訳（メタデータ） (2020-04-09T20:37:33Z) - Adaptive Graphical Model Network for 2D Handpose Estimation [19.592024471753025]
単眼RGB画像からの2次元手ポーズ推定の課題に対処する新しいアーキテクチャを提案する。
アダプティブ・グラフィカル・モデル・ネットワーク(Adaptive Graphical Model Network, AGMN)は、単一のポテンシャル関数とペアのポテンシャル関数を計算するための深部畳み込みニューラルネットワークの2つの枝からなる。
提案手法は,2つの公開データセットに対する顕著なマージンによる2次元手指キーポイント推定における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2019-09-18T04:19:51Z)
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。