異なるAIパラダイム,オーグメントおよび作付け戦略で学んだ生物学的データの表現の比較【JST・京大機械翻訳】

Dmitrenko Andrei; Masiero Mauro M.; Zamboni Nicola

プレプリント

J-GLOBAL ID：202202210742671932 整理番号：22P0300757

異なるAIパラダイム,オーグメントおよび作付け戦略で学んだ生物学的データの表現の比較【JST・京大機械翻訳】

Comparing representations of biological data learned with different AI paradigms, augmenting and cropping strategies

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月07日プレプリントサーバーでの情報更新日： 2022年03月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

コンピュータビジョンとロボット工学の最近の進歩は,自動化された大規模生物学的画像解析を可能にした。種々の機械学習アプローチが表現型プロファイリングに成功裏に適用された。しかし,生物学的特徴抽出に関して比較する方法は不明である。本研究では,簡単なCNNアーキテクチャを提案し,4つの異なる表現学習手法を実装する。同一条件下で770k癌細胞画像データセット上で16の深層学習セットアップを,異なる増強と作付け戦略を用いて訓練した。3つの下流タスクの各々に対する多重計量を評価することにより学習表現を比較した:i)既知薬物の距離ベース類似性解析,ii)薬物対対照の分類,iii)細胞系内のクラスタ化。また,訓練時間とメモリ利用を比較した。試験したすべてのセットアップの中で,マルチクロップとランダム増強は,期待通り,タスクを通して一般的に性能を改善した。驚くべきことに,自己監督(暗黙的対比学習)モデルは,訓練に対して11倍速い競合性能を示した。自己監督された正則化学習は,最も有益な特徴を与えるためのメモリと計算のほとんどを必要とした。著者らは,強化と作付け戦略の単一組合せが,タスクを横断してトップパフォーマンスを一貫して生じ,前向き研究方向を推薦することを観察した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 医用画像処理 , 図形・画像処理一般

, , , , ,

前のページに戻る