論文の概要: Batch-Invariant Spectral Intelligence for Robust and Explainable Insect Authentication

• arxiv url: http://arxiv.org/abs/2606.26757v1
• Date: Thu, 25 Jun 2026 08:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.218535
• Title: Batch-Invariant Spectral Intelligence for Robust and Explainable Insect Authentication
• Title（参考訳）: ロバストおよび説明可能な昆虫認証のためのバッチ不変スペクトルインテリジェンス
• Abstract要約: 食用昆虫は、従来の家畜よりも土地や水が少なく、温室効果ガスの排出も少ない、オルタナティブなタンパク質の効率的な供給源を提供する。 彼らの食品サプライチェーンへの統合の成功は、アレルゲンの曝露を防ぎ、密通を防ぎ、規制基準を満たすための信頼性の高い種認証を要求する。 本稿では,学習可能な前処理モジュールとSavitzky-Golayフィルタを併用したエンドツーエンドのフレームワークであるBatch-Invariant Spectral Network(BISN)と,バッチ固有のスペクトル変動を抑制するために,エントロピー規則化された対向目的を導入する。
• 参考スコア（独自算出の注目度）: 4.054744922490964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edible insects offer an efficient source of alternative protein, requiring less land, water and emitting less greenhouse gas than conventional livestock. However, their successful integration into the food supply chain demands reliable species authentication to control allergen exposure, prevent adulteration, and meet regulatory standards. Near-infrared spectroscopy provides a rapid analytical tool, but its performance drops when applied to production batches unseen during training due to batch-to-batch variation in spectral measurements. We introduce the Batch-Invariant Spectral Network (BISN), an end-to-end framework that combines a learnable preprocessing module, initialised with Savitzky-Golay filtering, with an entropy-regularised adversarial objective to suppress batch-specific spectral variation. In contrast to Domain-Adversarial Neural Networks, which enforce domain adaptation only after feature extraction, BISN suppress batch-effects before species-specific features are learned. Using 2,700 spectra from three species (Acheta domesticus, Hermetia illucens, and Tenebrio molitor) collected across three independent production batches, BISN achieves a mean leave-one-batch-out accuracy of 0.93 (standard deviation 0.04), outperforming the strongest baseline by four percent. Further insights gained by using explainable AI confirm that model decisions consistently rely on the lipid and protein absorption regions across all folds, connecting predictive performance to known insect biochemistry. BISN addresses both cross-batch robustness and biochemical interpretability for automated insect species authentication under realistic industrial conditions. The source code and dataset are publicly available at https://github.com/majharB/bisn.
• Abstract（参考訳）: 食用昆虫は、従来の家畜よりも土地や水が少なく、温室効果ガスの排出も少ない、オルタナティブなタンパク質の効率的な供給源を提供する。 しかし、彼らの食品サプライチェーンへの統合の成功は、アレルゲンの曝露を防ぎ、密通を防ぎ、規制基準を満たすための信頼性の高い種認証を要求する。 近赤外分光法は、迅速な分析ツールを提供するが、その性能は、スペクトル測定におけるバッチ・ツー・バッチのばらつきによりトレーニング中に見つからない生産バッチに適用されると低下する。 本稿では,学習可能な前処理モジュールとSavitzky-Golayフィルタを併用したエンドツーエンドのフレームワークであるBatch-Invariant Spectral Network(BISN)と,バッチ固有のスペクトル変動を抑制するために,エントロピー規則化された対向目的を導入する。 特徴抽出後にのみドメイン適応を強制するドメイン逆ニューラルネットワークとは対照的に,BISNは種別特徴が学習される前にバッチ効果を抑制する。 3種(Acheta domesticus、Hermetia illucens、Tenebrio molitor)の2700のスペクトルを3つの独立した生産バッチで収集し、BISNは平均1回のバッチアウト精度0.93(標準偏差0.04)を達成し、最も高いベースラインを4パーセント上回る。 説明可能なAIを用いて得られたさらなる洞察は、モデル決定がすべての折り畳みの脂質とタンパク質の吸収領域に一貫して依存していることを確認し、既知の昆虫の生化学と予測性能を結びつける。 BISNは、現実的な工業条件下での自動昆虫種認証のためのクロスバッチ堅牢性と生化学的解釈性の両方に対処する。 ソースコードとデータセットはhttps://github.com/majharB/bisn.comで公開されている。

関連論文リスト

• PETA:Parameter-Efficient Test-Time Adaptation for Virtual Screening [49.976632553053285]
  我々は,事前学習されたモデルをテスト時に直接適応するパラメータ効率のフレームワークであるPETAを提案する。 PETAは、分子拡散と化学的妥当性フィルタリングを通じてポケット特異な陰性を形成する。 ランク付け対象は、上位のスクリーニング結果が汚染される可能性のある、上位の無効候補の抑制に重点を置いている。
  論文  参考訳（メタデータ） (2026-08-20T11:17:27Z)
• LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning [59.34593956287438]
  我々は,事前学習信号ファミリーが変化した後,メソッド固有の構成が再利用されない場合にSSLレシピがどのように振る舞うかを検討する。 我々は遅延ユークリッド次世代予測アーキテクチャ(LeNEPA)を紹介する。 LeNEPAは、バニラNEPAが使用する停止段階/EMA安定化をSIGRegベースのイソトロピー正則化に置き換える。
  論文  参考訳（メタデータ） (2026-07-01T13:56:21Z)
• Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks [0.0]
  本稿では,タンパク質構造とE3リガーゼの同一性のみからproTACを介する分解性を予測するグラフニューラルネットワークであるDegradoMapを提案する。 このモデルは、タンパク質ごとの正規化を伴うリジン重み付きグラフプールを通じて、生物物理学上の先行情報を符号化する。 CRBN->VHL E3-unseenTransferでは0.646+-0.124AUROC、0.811AUROCを達成している。
  論文  参考訳（メタデータ） (2026-06-01T09:39:22Z)
• IMSE: Intrinsic Mixture of Spectral Experts Fine-tuning for Test-Time Adaptation [16.129735356928958]
  テストデータが分布と異なる場合, 性能劣化を防止するため, テスト時間適応が広く研究されている。 我々は、視覚変換器に埋め込まれたスペクトルエキスパートを生かしたスペクトルエキスパートの内在混合(IMSE)を提案する。 提案手法は,TTA設定下での様々な分散シフトベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-03-09T03:42:44Z)
• AgriVariant: Variant Effect Prediction using DeepChem-Variant for Precision Breeding in Rice [0.0]
  AgriVariantはイネの変種効果予測のためのエンドツーエンドパイプラインである 提案手法は,DeepChem-Variant(DeepChem-Variant)と植物ゲノムアノテーションを併用する。 ストレス応答遺伝子を標的とした突然変異によるパイプラインの検証を行った。
  論文  参考訳（メタデータ） (2026-02-19T14:03:37Z)
• Rank-and-Reason: Multi-Agent Collaboration Accelerates Zero-Shot Protein Mutation Prediction [20.82228986381723]
  ウェットラブ検証プロセスを自動化する2段階のエージェントフレームワークであるRan-and-Reason(VenusRAR)を提案する。 Rank-Stageでは、計算専門家と仮想生物学者がコンテキスト対応のマルチモーダルアンサンブルをまとめ、ProteinGym上で0.551(vs.0.518)の新しいスピアマン相関記録を樹立した。 Reason-Stageでは、エージェント専門家パネルが、幾何学的および構造的制約に対して候補を監査するチェーン・オブ・シンキングを採用し、ProteinGym-DMS99で最高5ヒット率を最大367%改善している。
  論文  参考訳（メタデータ） (2026-01-30T10:35:46Z)
• Detecting Batch Heterogeneity via Likelihood Clustering [0.9668407688201359]
  バッチエフェクトはゲノム診断の主要な共同創設者である。 ベイジアンモデル証拠に従ってサンプルをクラスタリングすることで,両方の制約に対処する手法を提案する。 本手法は,標準相関法や次元縮小法と比較して,クラスタリング精度が優れている。
  論文  参考訳（メタデータ） (2026-01-14T01:49:21Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• You only need 4 extra tokens: Synergistic Test-time Adaptation for LLMs [50.54173262572369]
  大規模言語モデル (LLM) は、金融、医療、農業などの専門分野にますます導入されている。 本稿では,言語モデルに対するラベルフリーテスト時適応について検討し,追加の監督なしにモデルをオンザフライで適応する推論時フレームワークであるSyTTAについて述べる。
  論文  参考訳（メタデータ） (2025-10-11T14:00:39Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Interpretable Enzyme Function Prediction via Residue-Level Detection [58.30647671797602]
  本稿では,酵素機能予測のための注意に基づくフレームワークであるProtDETRを提案する。 学習可能な関数クエリのセットを使用して、残差レベルの一連の特徴から異なるローカル表現を適応的に抽出する。 ProtDETRは、既存のディープラーニングベースの酵素機能予測法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-10T01:02:43Z)
• scMEDAL for the interpretable analysis of single-cell transcriptomics data with batch effect visualization using a deep mixed effects autoencoder [3.194381706244149]
  単セル混合効果Deep Autoencoder学習フレームワークである scMEDAL を提案する。 scMEDALは2つの補完ワークを使用して、バッチ不変とバッチ固有のエフェクトをモデル化する。 scMEDALは、skMEDAL-FEと確立された修正方法を補完する解釈可能なバッチ固有の埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-11-11T00:10:48Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)

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。