Fugu-MT 論文翻訳(概要): Bridging the Synthetic-to-Real Gap for Few-Shot Cryo-ET Classification

論文の概要: Bridging the Synthetic-to-Real Gap for Few-Shot Cryo-ET Classification

arxiv url: http://arxiv.org/abs/2609.14097v1
Date: Sat, 12 Sep 2026 18:45:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.670255
Title: Bridging the Synthetic-to-Real Gap for Few-Shot Cryo-ET Classification
Title（参考訳）: Few-Shot Cryo-ET分類のための合成リールギャップのブリッジ化
Abstract要約: 低温電子トモグラフィー(cryo-ET)におけるサブトモグラム分類は,ラベル付き例が不足しているため難しい問題である。本稿では,このギャップを入力レベルと特徴レベルの両方で埋める,学習可能な変換モジュールを備えた新しい合成現実適応フレームワークを提案する。
参考スコア（独自算出の注目度）: 5.82852348349959
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Subtomogram classification in cryo-electron tomography (cryo-ET) is a challenging problem due to the scarcity of labeled examples. While cryo-ET simulators can be adopted to generate unlimited synthetic data, the substantial domain gap between synthetic and real subtomograms hinders its practical utilization. In this work, we propose a novel synthetic-to-real adaptation framework with a learnable transformation module, bridging this gap at both the input and feature levels. Extensive experiments demonstrate that our method consistently outperforms existing transfer learning baselines in few-shot settings.
Abstract（参考訳）: 低温電子トモグラフィー(cryo-ET)におけるサブトモグラム分類は,ラベル付き例が不足しているため難しい問題である。合成データを無制限に生成するためにCryo-ETシミュレータを用いることができるが、合成と実のサブトモグラム間の領域ギャップは実用的利用を妨げている。本研究では,このギャップを入力レベルと特徴レベルの両方で埋める,学習可能な変換モジュールを備えた新しい合成から現実への適応フレームワークを提案する。大規模な実験により,本手法は数ショット設定で既存の移動学習ベースラインを一貫して上回っていることが示された。

関連論文リスト

Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
論文参考訳（メタデータ） (2026-02-28T05:41:57Z)
VAE-Based Synthetic EMG Generation with Mix-Consistency Loss for Recognizing Unseen Motion Combinations [1.0312968200748116]
構造化潜在空間における複合動作パターンの合成を学習する新しい手法を提案する。具体的には、変動オートエンコーダ(VAE)を用いて、EMG信号を低次元表現に符号化する。合成パターンは、この構造化潜在空間内で生成され、未知の複合運動を認識するための分類器の訓練に使用される。
論文参考訳（メタデータ） (2025-11-12T07:31:35Z)
A Technical Exploration of Causal Inference with Hybrid LLM Synthetic Data [3.121656940390038]
大規模言語モデル(LLM)は、合成データを生成する柔軟な手段を提供する。既存のアプローチでは、平均処理効果(ATE)のような主要な因果パラメータを保存できない場合が多い。
論文参考訳（メタデータ） (2025-10-31T23:34:44Z)
Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
論文参考訳（メタデータ） (2025-09-08T17:58:06Z)
Provably Improving Generalization of Few-Shot Models with Synthetic Data [15.33628135372502]
本研究では,分散の相違が教師あり学習に与える影響を定量化する理論的枠組みを開発する。本稿では,データ分割とモデルトレーニングの両方を最適化するために,プロトタイプ学習を統合した理論に基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-05-30T03:59:45Z)
Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
論文参考訳（メタデータ） (2025-05-06T15:21:36Z)
Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
論文参考訳（メタデータ） (2024-06-18T08:38:59Z)
Unsupervised Synthetic Image Refinement via Contrastive Learning and Consistent Semantic-Structural Constraints [32.07631215590755]
コントラスト学習(CL)は、相関したパッチをまとめて、非相関的なパッチを分離するのに成功している。本研究では,合成画像と精細画像間の意味的・構造的整合性を利用して,意味的歪みを低減するためにCLを採用する。
論文参考訳（メタデータ） (2023-04-25T05:55:28Z)
CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文参考訳（メタデータ） (2022-03-03T05:58:49Z)
Cryo-shift: Reducing domain shift in cryo-electron subtomograms with unsupervised domain adaptation and randomization [17.921052986098946]
サブトモグラムの分類と認識は、マクロ分子構造の体系的な回復の第一段階である。教師付き深層学習法は, サブトモグラム分類において, 精度が高く, 効率的であることが証明されている。我々は、ディープラーニングに基づくクロスドメインサブトモグラム分類のための、完全に教師なしのドメイン適応およびランダム化フレームワークであるCryo-Shiftを提案する。
論文参考訳（メタデータ） (2021-11-17T13:43:36Z)
A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
論文参考訳（メタデータ） (2021-08-25T02:29:28Z)

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。