論文の概要: Towards a Pseudo-Labeling Workflow for Celltype-Classification from Explanted Brain Slice Recordings

• arxiv url: http://arxiv.org/abs/2607.06569v1
• Date: Mon, 15 Jun 2026 09:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 07:26:11.092754
• Title: Towards a Pseudo-Labeling Workflow for Celltype-Classification from Explanted Brain Slice Recordings
• Title（参考訳）: 移植脳スライス記録からの細胞型分類のための擬似ラベルワークフローの実現に向けて
• Abstract要約: 本稿では,ヒト脳スライスMEA記録からの擬似ラベル細胞外スパイクを2種類の細胞タイプに分類するための教師なしワークフローを提案する。 データ取得システムからの生データを使用処理する。 前処理用パイプラインは、帯域通過フィルタリング、しきい値に基づくスパイク検出、フレームアライメント、正規化を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper proposes an unsupervised workflow to pseudo-label extracellular spikes from human brain slice MEA recordings into two putative cell types: pyramidal cells and interneurons. Here, the raw data from the data acquisition system is used and processed. The pipeline for pre-processing includes bandpass filtering, threshold--based spike detection, frame alignment and normalization. In the ML workflow, dimensionality reduction (PCA, t-SNE, UMAP), clustering (GMM, k-means). To achieve an online system, template matching and OSort under varying curation strictness is also considered. All pipelines are evaluated by different cluster quality with within-cluster Pearson correlation, Silhouette score, and Calinski-Harabasz index. Applying stricter curation improves separation at some cost to inclusivity.
• Abstract（参考訳）: 本稿では,ヒト脳スライスMEA記録からの擬似ラベル細胞外スパイクを,錐体細胞と介在ニューロンの2つの細胞タイプに分類するための教師なしワークフローを提案する。 ここでは、データ取得システムからの生データを使用、処理する。 前処理用パイプラインは、帯域通過フィルタリング、しきい値に基づくスパイク検出、フレームアライメント、正規化を含む。 MLワークフローでは、次元還元(PCA, t-SNE, UMAP)、クラスタリング(GMM, k-means)を行う。 オンラインシステムを実現するために、様々なキュレーション厳密度の下でテンプレートマッチングとOSortも検討する。 全てのパイプラインはクラスタ内ピアソン相関、シルエットスコア、カリンスキー・ハラバス指数で異なるクラスタ品質で評価される。 厳格なキュレーションを適用することで、ある程度のコストで分離が向上する。

関連論文リスト

• KARMA: Knowledge graph-based Automated Reasoning Materialization and Alignment [1.0323063834827415]
  テンプレートベースのコントラスト合成はスケーラブルだが、その候補はいくつかのエンティティスロットでのみ異なる。 我々はこれを分解ミスマッチ問題として定式化し、KARMAを提案する。 ドメイン知識グラフ上のスキーマ制約パスを列挙し、それらをスロット整列コントラスト候補に言語化する。
  論文  参考訳（メタデータ） (2026-07-03T10:06:40Z)
• bioLeak: Leakage-Aware Modeling and Diagnostics for Machine Learning in R [0.0]
  BioLeak(バイオリーク)は、共通リーク機構に適合したモデルの構築と監査を行うRパッケージである。 この実装はバイナリ分類、マルチクラス分類、回帰分析、生存分析をサポートし、タスク固有のメトリクスと分割、適合、監査、インフレーションの要約のためのS4コンテナを提供する。
  論文  参考訳（メタデータ） (2026-04-13T04:01:31Z)
• Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images [0.0]
  スライド画像全体において組織成分をラベル付けするための,クラウドネイティブなエンドツーエンドパイプラインを提案する。 我々のシステムは貴重な情報を含まないと思われるタイルをフィルタリングする。 組織成分をCellpose-SAMでセグメンテーションし、事前訓練されたResNet-50を介して神経埋め込みを抽出し、UMAPによる次元性を減少させ、DBSCANクラスタリングを用いて形態学的に類似したオブジェクトをグループ化する。 本システムでは, 96.8%の重み付きクラスタラベルアライメント精度を達成し, 組織タイプ13種中7種が完全一致した。
  論文  参考訳（メタデータ） (2026-04-10T14:40:36Z)
• Efficient Conformal Volumetry for Template-Based Segmentation [23.593891761167374]
  本稿では,効率的なボリューム不確実性定量化を実現するフレームワークであるConVOLTを紹介する。 ConVOLTは、変形空間の特徴から学習されたボリュームスケーリング係数を校正する。 我々の研究は、医用画像パイプラインにおける効率的なUQのための登録プロセスを活用する方法である。
  論文  参考訳（メタデータ） (2026-02-28T20:16:15Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• GLiClass: Generalist Lightweight Model for Sequence Classification Tasks [49.2639069781367]
  本稿では,シーケンス分類タスクにGLiNERアーキテクチャを適用する新しい手法であるGLiClassを提案する。 提案手法は,ゼロショットおよび少数ショット学習シナリオに必要な柔軟性を維持しつつ,埋め込み方式に匹敵する高い精度と効率を実現する。
  論文  参考訳（メタデータ） (2025-08-11T06:22:25Z)
• Self-supervised Latent Space Optimization with Nebula Variational Coding [87.20343320266215]
  本稿では,クラスタ化埋め込みに繋がる変分推論モデルを提案する。 textbfnebula anchorsと呼ばれる潜伏空間に新たな変数を導入し、トレーニング中に潜伏変数がクラスタを形成するように誘導する。 各潜在機能は最も近いアンカーでラベル付けできるため、クラスタ間の分離をより明確にするために、自己教師付き方法でメートル法学習を適用することも提案する。
  論文  参考訳（メタデータ） (2025-06-02T08:13:32Z)
• Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
  Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。 既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
  論文  参考訳（メタデータ） (2022-10-06T07:28:53Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)
• Missing Data Infill with Automunge [0.0]
  データ不足はデータサイエンスの実践における基本的な障害である。 本稿では,Automungeオープンソースpythonライブラリプラットフォームで利用可能な,インキュベーションに関するいくつかの規約について調査する。
  論文  参考訳（メタデータ） (2022-02-19T00:49:30Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。