論文の概要: Transformer-Based Classification of Bacterial Raman Spectra with LOOCV

• arxiv url: http://arxiv.org/abs/2606.27096v1
• Date: Thu, 25 Jun 2026 14:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.322941
• Title: Transformer-Based Classification of Bacterial Raman Spectra with LOOCV
• Title（参考訳）: LOOCVを用いた細菌ラマンスペクトルのトランスフォーマーによる分類
• Abstract要約: トランスフォーマーベースのモデルはラマンスペクトル分類に注目が集まっている。 本研究では,Nested leave-one-replicate-out cross-validationフレームワークを用いて,トランスフォーマーに基づくアプローチを体系的に評価した。 この変圧器は、独立したテストレプリケータにまたがる最高の分類性能を一貫して達成し、従来の全ての手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer-based models have recently attracted increasing attention for Raman spectral classification. In this study, a transformer-based approach was systematically evaluated using a nested leave-one-replicate-out cross-validation framework and compared with conventional machine-learning pipelines combining PCA or ICA with LDA, SVM, and Random Forest classifiers. A bacterial Raman dataset comprising 5,417 single-cell spectra from six bacterial species and nine independent measurement replicates was used. The transformer consistently achieved the highest classification performance across independent test replicates and significantly outperformed all conventional approaches. Analysis of the learned latent feature space revealed improved class separation compared with PCA- and ICA-based representations. Furthermore, the transformer maintained superior performance when applied directly to raw Raman spectra without preprocessing, demonstrating robust behavior across measurement replicates. These findings highlight the potential of transformer-based models for robust Raman spectral classification and emphasize the importance of replicate-aware validation for realistic model evaluation.
• Abstract（参考訳）: トランスフォーマーベースのモデルは近年、Ramanスペクトル分類に注目が集まっている。 本研究では,PCAやICAとLDA,SVM,ランダムフォレストを併用した従来の機械学習パイプラインと比較し,Nested leave-one-replicate-out cross-validationフレームワークを用いてトランスフォーマーベースのアプローチを体系的に評価した。 6種の細菌種から5,417個の単細胞スペクトルと9種の独立した測定レプリカからなる細菌Ramanデータセットを使用した。 この変圧器は、独立したテストレプリケータにまたがる最高の分類性能を一貫して達成し、従来の全ての手法よりも大幅に優れていた。 学習遅延特徴空間の解析により,PCAおよびICAに基づく表現と比較して,クラス分離が改善された。 さらに、トランスは前処理なしで生のラマンスペクトルに直接適用することで優れた性能を維持し、測定レプリカ間の堅牢な挙動を実証した。 これらの結果は、ロバストなラマンスペクトル分類のためのトランスフォーマーモデルの可能性を強調し、現実的なモデル評価のための複製認識検証の重要性を強調した。

関連論文リスト

• Generative Augmentation of Raman Spectra for Glioma Classification [0.0]
  クラス条件付き合成ラマンスペクトルを生成する条件変分オートエンコーダを開発した。 生成されたデータはTrain-on-Synthetic, Test-on-Real (TS/TR)およびTrain-on-Synthetic+Real, Test-on-Real (TSR/TR)設定で評価される。 リアルトレーニングデータを合成スペクトルで拡張することで、複数のモデルの分類性能が一貫して向上する。
  論文  参考訳（メタデータ） (2026-07-11T08:19:51Z)
• Multi-Objective Molecular Generation with Frequency-Controlled Evolutionary Dynamics [0.0]
  SpectralMolは、化学構造をフーリエ係数のコンパクト行列として処理するアルゴリズムである。 より多くのドッキングヒットと、より多様な足場を生成しながら、競合する物理化学的特性を維持している。 結果は、周波数制御の進化力学が多目的分子設計への解釈可能、効率的、訓練不要な経路を提供するという証拠を支持する。
  論文  参考訳（メタデータ） (2026-06-25T18:42:07Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• SimReg: Achieving Higher Performance in the Pretraining via Embedding Similarity Regularization [55.63565289584336]
  SimRegは埋め込み類似性正規化損失であり、各シーケンス内で同じ基幹ラベルを持つトークン表現をより類似させる。 分析の結果, この機構は多分類マージンを増大させ, より効率的な分類を可能にした。
  論文  参考訳（メタデータ） (2026-05-09T08:59:13Z)
• Parameter-free representations outperform single-cell foundation models on downstream benchmarks [0.0]
  シングルセルRNAシークエンシング(scRNA-seq)データは、強く再現可能な統計構造を示す。 TranscriptFormerのような大規模基盤モデルは、潜在ベクトル空間に遺伝子を埋め込むことで遺伝子発現の生成モデルを学ぶ。 計算集約的な深層学習に基づく表現を使わずに、類似のパフォーマンスが達成できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-02-18T18:42:29Z)
• Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers [1.9336815376402718]
  ハイパースペクトルアンミックスのための潜在ディリクレ変換器変分オートエンコーダ(LDVAE-T)を提案する。 我々のモデルは、トランスフォーマーアーキテクチャのグローバルコンテキストモデリング機能と、潜在空間に先立ってディリクレによって課される物理的に意味のある制約を組み合わせる。 我々は、Samson、Jasper Ridge、HYDICE Urbanの3つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-11-21T20:15:37Z)
• Attribute Fusion-based Classifier on Framework of Belief Structure [46.24928730489845]
  Dempster-Shafer Theory (DST)は、不確実性をモデリングするための強力なフレームワークを提供し、多属性分類タスクに広く適用されてきた。 従来のDSTに基づく属性融合型分類器は、単純化されたメンバーシップ関数モデリングと基本確率割当(BPA)による信念構造の限定的活用に悩まされている。 本稿では,2つの重要なイノベーションを通じて,これらの制限に対処する属性融合型分類器を提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:05:15Z)
• A Robust Support Vector Machine Approach for Raman COVID-19 Data Classification [0.7864304771129751]
  本稿では,ラマン分光法から得られた新型コロナウイルスの分類における,SVM(Support Vector Machine)のための新しいロバストな定式化の性能について検討する。 我々は、各観測の周囲の有界な不確実性集合を用いて、決定論的定式化の頑健な相反するモデルを導出する。 本手法の有効性は,イタリアの病院が提供した実世界のCOVID-19データセットで検証されている。
  論文  参考訳（メタデータ） (2025-01-29T14:02:45Z)
• Scalable Amortized GPLVMs for Single Cell Transcriptomics Data [9.010523724015398]
  大規模単細胞RNA-seqデータの解析には次元化が不可欠である。 改良されたモデル、償却変分モデル(BGPLVM)を導入する。 BGPLVMは、特殊なエンコーダ、カーネル、そして可能性設計を備えたシングルセルRNA-seq向けに調整されている。
  論文  参考訳（メタデータ） (2024-05-06T21:54:38Z)
• DiffSpectralNet : Unveiling the Potential of Diffusion Models for Hyperspectral Image Classification [6.521187080027966]
  我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。 まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。 この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
  論文  参考訳（メタデータ） (2023-10-29T15:26:37Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Pruning Redundant Mappings in Transformer Models via Spectral-Normalized Identity Prior [54.629850694790036]
  スペクトル正規化アイデンティティ事前 (SNIP) は、トランスフォーマーモデルにおける残余モジュール全体をアイデンティティマッピングに向けてペナライズする構造化プルーニング手法である。 5つのGLUEベンチマークタスクでBERTを用いて実験を行い、SNIPが同等の性能を維持しながら効率的な刈り取り結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-10-05T05:40:56Z)

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。