論文の概要: Sharpness-Aware Minimization (SAM) Improves Classification Accuracy of Bacterial Raman Spectral Data Enabling Portable Diagnostics

• arxiv url: http://arxiv.org/abs/2609.19453v1
• Date: Wed, 16 Sep 2026 21:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.021924
• Title: Sharpness-Aware Minimization (SAM) Improves Classification Accuracy of Bacterial Raman Spectral Data Enabling Portable Diagnostics
• Title（参考訳）: Sharpness-Aware Minimization (SAM) による可搬性診断のための細菌ラマン分光データの分類精度の向上
• Abstract要約: 抗菌抵抗性は2050年までに年間1000万人が死亡すると予想され、資源に制限のある地域が最も影響を受けている。 ラマン分光法は、新しい病原体診断法であり、数時間以内に急速な抗生物質および可搬性試験を約束する。 ラマンスペクトル分析のための現在のアルゴリズムは、多様な患者集団にまたがる限られたデータセットでうまく一般化できない。
• 参考スコア（独自算出の注目度）: 5.4343316870330165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antimicrobial resistance is expected to claim 10 million lives per year by 2050, and resource-limited regions are most affected. Raman spectroscopy is a novel pathogen diagnostic approach promising rapid and portable antibiotic resistance testing within a few hours, compared to days when using gold standard methods. However, current algorithms for Raman spectra analysis 1) are unable to generalize well on limited datasets across diverse patient populations and 2) require increased complexity due to the necessity of non-trivial pre-processing steps, such as feature extraction, which are essential to mitigate the low-quality nature of Raman spectral data. In this work, we address these limitations using Sharpness-Aware Minimization (SAM) to enhance model generalization across a diverse array of hyperparameters in clinical bacterial isolate classification tasks. We demonstrate that SAM achieves accuracy improvements of up to 10.5% on a single split, and an increase in average accuracy of 2.7% across all splits in spectral classification tasks over the traditional optimizer, Adam. These results display the capability of SAM to advance the clinical application of AI-powered Raman spectroscopy tools.
• Abstract（参考訳）: 抗菌抵抗性は2050年までに年間1000万人が死亡すると予想され、資源に制限のある地域が最も影響を受けている。 ラマン分光法は、高速かつポータブルな抗生物質耐性試験を数時間以内に約束する新しい病原体診断法である。 しかし、ラマンスペクトル解析のための現在のアルゴリズム 1) 多様な患者集団における限られたデータセットの一般化が困難である。 2)Ramanスペクトルデータの低品質性を緩和するために欠かせない特徴抽出など,非自明な前処理ステップの必要性により,複雑さの増大が要求される。 本研究では,臨床細菌分離タスクにおいて,これらの制限をシャープネス・アウェア・最小化(SAM)を用いて克服し,多種多様なハイパーパラメータのモデル一般化を促進する。 SAMは1分割で最大10.5%の精度向上を実現し、従来の最適化器であるAdamよりも各分割で平均2.7%の精度向上を実現している。 これらの結果は,AIを用いたラマン分光法の臨床応用を推し進めるためのSAMの能力を示す。

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)
• Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
  本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。 そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。 本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:57:05Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy [0.5002873541686897]
  農薬や合成染料は、食品の安全性、人間の健康、環境の持続可能性に重大な脅威をもたらす。 ラマン分光法は分子特異的な指紋を提供するが、スペクトルノイズ、蛍光背景、バンドオーバーラップに悩まされている。 本稿では,ラーマン分光法(MLRaman)から農薬や染料を検出するためのResNet-18特徴抽出に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T11:35:55Z)
• 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)
• LA4SR: illuminating the dark proteome with generative AI [39.58317527488534]
  我々は、微生物配列分類のためのオープンソースのAI言語モデル(LM)を再設計した。 F1のスコアは95点に達し、16,580倍速く動作した。 我々は、AI生成プロセスにアミノ酸パターンをもたらすカスタムAI説明可能性ソフトウェアツールを提供する。
  論文  参考訳（メタデータ） (2024-11-11T08:51:18Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Accurate and fast identification of minimally prepared bacteria phenotypes using Raman spectroscopy assisted by machine learning [0.0]
  我々はメチシリン耐性(MR)菌をメチシリン感受性(MS)菌から同定する機械学習技術を開発した。 我々は,6種のMR-MS菌の分類精度が95.6$%であるデータセットに対して,96$%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-06-27T14:27:05Z)
• Frequency comb and machine learning-based breath analysis for COVID-19 classification [0.6113111451963646]
  本研究では,各呼吸試料中の数万のスペクトル特性を同時に測定する頑健な分析手法を提案する。 コロラド大学における170個のサンプルを用いて, 受信-操作-特性曲線 0.849(4) のクロスバリデーション領域を報告した。 喫煙や腹痛などの他の変数と同様に,男性と女性の呼吸に有意な差が認められた。
  論文  参考訳（メタデータ） (2022-02-04T05:58:52Z)
• Efficient Sharpness-aware Minimization for Improved Training of Neural Networks [146.2011175973769]
  本稿では,SAM s の効率を高コストで向上する高効率シャープネス認識最小化器 (M) を提案する。 Mには、Stochastic Weight PerturbationとSharpness-Sensitive Data Selectionという、2つの新しい効果的なトレーニング戦略が含まれている。 我々は、CIFARとImageNetデータセットの広範な実験を通して、ESAMはSAMよりも100%余分な計算を40%のvis-a-visベースに必要とせずに効率を向上させることを示した。
  論文  参考訳（メタデータ） (2021-10-07T02:20:37Z)

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。