How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation

投稿日: 2025年3月26日 作成者: jarxiv

要約

コンピュータービジョンタスクにおける深いニューラルネットワークによって達成された成功は、近年、多次元エンコーディング（MDE）と呼ばれる新しい研究分野の出現につながっています。
このファミリに属する​​方法は、表形式データを均質な形式の個別のデジタル信号（画像）に変換して、畳み込みネットワークを最初に不適切な問題に適用することを目的としています。
連続した新興作品にもかかわらず、多次元エンコーディング方法のプールはまだ低く、既存のモダリティエンコーディング技術に関する研究の範囲は非常に限られています。
この研究分野に貢献するために、表形式から画像表現（退職）へのレーダーベースのエンコーディングを提案します。これにより、表のデータをレーダーグラフとして表現し、各問題インスタンスの特徴特性をキャプチャします。
退職は、分類の精度と計算の複雑さの観点から、最先端のMDEアルゴリズムのプールとXGBoostと比較されました。
さらに、退職性と既存のMDE技術の両方についてより多くの洞察を提供するために、転送可能性と説明可能性に関する分析が実施されました。
統計分析によってサポートされた得られた結果は、他の確立されたMDEメソッドよりも退職の優位性を確認します。

要約(オリジナル)

The successes achieved by deep neural networks in computer vision tasks have led in recent years to the emergence of a new research area dubbed Multi-Dimensional Encoding (MDE). Methods belonging to this family aim to transform tabular data into a homogeneous form of discrete digital signals (images) to apply convolutional networks to initially unsuitable problems. Despite the successive emerging works, the pool of multi-dimensional encoding methods is still low, and the scope of research on existing modality encoding techniques is quite limited. To contribute to this area of research, we propose the Radar-based Encoding from Tabular to Image REpresentation (RETIRE), which allows tabular data to be represented as radar graphs, capturing the feature characteristics of each problem instance. RETIRE was compared with a pool of state-of-the-art MDE algorithms as well as with XGBoost in terms of classification accuracy and computational complexity. In addition, an analysis was carried out regarding transferability and explainability to provide more insight into both RETIRE and existing MDE techniques. The results obtained, supported by statistical analysis, confirm the superiority of RETIRE over other established MDE methods.

arxiv情報

著者 Paweł Zyblewski,Szymon Wojciechowski
発行日 2025-03-25 15:00:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation はコメントを受け付けていません

Internet of Things-Based Smart Precision Farming in Soilless Agriculture:Opportunities and Challenges for Global Food Security

投稿日: 2025年3月26日 作成者: jarxiv

要約

世界人口の急速な成長と耕作可能な土地の継続的な減少は、食料安全保障に大きな脅威をもたらします。
気候変動が農地の利用可能性をさらに低下させるため、この課題は悪化します。
水耕栽培、エアロポニクス、アクアポニクスなどの農業は、制御された環境で効率的な作物栽培を可能にすることにより、持続可能なソリューションを提供します。
モノのインターネット（IoT）とスマート精度の農業との統合により、資源効率が改善され、環境制御が自動化され、安定した高収穫量の生産が保証されます。
IoT対応のスマート農業システムは、リアルタイムの監視、データ駆動型の意思決定、自動化を利用して、人間の介入を最小限に抑えながら水と栄養の使用を最適化します。
このペーパーでは、IoTベースのSoilless農業の機会と課題を探り、持続可能な農業、都市農業、世界の食料安全保障におけるその役割を強調しています。
これらの高度な農業方法により、生産性、資源の保全、一年中の栽培が向上します。
しかし、彼らはまた、高い初期投資、技術依存、エネルギー消費などの課題に直面しています。
包括的な研究、書誌分析、および比較分析を通じて、この研究は現在の傾向と研究のギャップを強調しています。
また、研究者、政策立案者、業界の利害関係者が、IoT主導のSoilless農業の革新とスケーラビリティを促進するための将来の方向性を概説しています。
垂直農業と制御された環境農業（CEA）対応のソアレステクニックの利点を強調することにより、このペーパーでは、食料安全保障上の課題に対処し、持続可能な農業革新を促進するための情報に基づいた意思決定をサポートします。

要約(オリジナル)

The rapid growth of the global population and the continuous decline in cultivable land pose significant threats to food security. This challenge worsens as climate change further reduces the availability of farmland. Soilless agriculture, such as hydroponics, aeroponics, and aquaponics, offers a sustainable solution by enabling efficient crop cultivation in controlled environments. The integration of the Internet of Things (IoT) with smart precision farming improves resource efficiency, automates environmental control, and ensures stable and high-yield crop production. IoT-enabled smart farming systems utilize real-time monitoring, data-driven decision-making, and automation to optimize water and nutrient usage while minimizing human intervention. This paper explores the opportunities and challenges of IoT-based soilless farming, highlighting its role in sustainable agriculture, urban farming, and global food security. These advanced farming methods ensure greater productivity, resource conservation, and year-round cultivation. However, they also face challenges such as high initial investment, technological dependency, and energy consumption. Through a comprehensive study, bibliometric analysis, and comparative analysis, this research highlights current trends and research gaps. It also outlines future directions for researchers, policymakers, and industry stakeholders to drive innovation and scalability in IoT-driven soilless agriculture. By emphasizing the benefits of vertical farming and Controlled Environment Agriculture (CEA)-enabled soilless techniques, this paper supports informed decision-making to address food security challenges and promote sustainable agricultural innovations.

arxiv情報

著者 Monica Dutta,Deepali Gupta,Sumegh Tharewal,Deepam Goyal,Jasminder Kaur Sandhu,Manjit Kaur,Ahmad Ali Alzubi,Jazem Mutared Alanazi
発行日 2025-03-25 15:18:47+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, eess.SP | Internet of Things-Based Smart Precision Farming in Soilless Agriculture:Opportunities and Challenges for Global Food Security はコメントを受け付けていません

Interpretable Deep Regression Models with Interval-Censored Failure Time Data

投稿日: 2025年3月26日 作成者: jarxiv

要約

ディープニューラルネットワーク（DNNS）は、各隠されたレイヤーの単純な関数を順次統合することにより、複雑なデータ構造をモデル化するための強力なツールになりました。
生存分析では、DNNの最近の進歩は、主にモデル能力の向上に焦点を当てています。
ただし、観測不能な故障時間が間隔にあることのみが知られている間隔で検査されたデータの深い学習方法は、露出していないままであり、特定のデータタイプまたはモデルに限定されます。
この作業では、部分的に線形変換モデルの広範なクラスを備えたインターバルセンサーデータの一般的な回帰フレームワークを提案します。ここでは、主要な共変量効果がパラメトリックにモデル化され、迷惑な多モーダル共変量の非線形効果はDNNSを介して近似され、解釈可能性と柔軟性のバランスが取れています。
モノトンスプラインを活用して累積ベースラインハザード関数を近似することにより、ふるいの最尤推定を使用します。
信頼できる扱いやすい推定を確保するために、確率的勾配降下を組み込んだEMアルゴリズムを開発します。
パラメーター推定器の漸近特性を確立し、DNN推定器が最小光最適収束を達成することを示します。
広範なシミュレーションは、最先端の方法よりも優れた推定と予測の精度を示しています。
私たちの方法をアルツハイマー病の疾患ニューロイメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して、新しい洞察と予測パフォーマンスが向上します。

要約(オリジナル)

Deep neural networks (DNNs) have become powerful tools for modeling complex data structures through sequentially integrating simple functions in each hidden layer. In survival analysis, recent advances of DNNs primarily focus on enhancing model capabilities, especially in exploring nonlinear covariate effects under right censoring. However, deep learning methods for interval-censored data, where the unobservable failure time is only known to lie in an interval, remain underexplored and limited to specific data type or model. This work proposes a general regression framework for interval-censored data with a broad class of partially linear transformation models, where key covariate effects are modeled parametrically while nonlinear effects of nuisance multi-modal covariates are approximated via DNNs, balancing interpretability and flexibility. We employ sieve maximum likelihood estimation by leveraging monotone splines to approximate the cumulative baseline hazard function. To ensure reliable and tractable estimation, we develop an EM algorithm incorporating stochastic gradient descent. We establish the asymptotic properties of parameter estimators and show that the DNN estimator achieves minimax-optimal convergence. Extensive simulations demonstrate superior estimation and prediction accuracy over state-of-the-art methods. Applying our method to the Alzheimer’s Disease Neuroimaging Initiative dataset yields novel insights and improved predictive performance compared to traditional approaches.

arxiv情報

著者 Changhui Yuan,Shishun Zhao,Shuwei Li,Xinyuan Song,Zhao Chen
発行日 2025-03-25 15:27:32+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, math.ST, stat.ML, stat.TH | Interpretable Deep Regression Models with Interval-Censored Failure Time Data はコメントを受け付けていません

BiPrompt-SAM: Enhancing Image Segmentation via Explicit Selection between Point and Text Prompts

投稿日: 2025年3月26日 作成者: jarxiv

要約

セグメンテーションはコンピュータービジョンの基本的なタスクであり、柔軟性のために迅速な駆動型の方法が顕著になります。
最近のAnyny Anything Model（SAM）は、強力なポイントプロンプトセグメンテーション機能を実証していますが、テキストベースのセグメンテーションモデルは豊富なセマンティック理解を提供します。
ただし、既存のアプローチでは、最適なセグメンテーションパフォーマンスのためにこれらの補完的なモダリティを効果的に組み合わせる方法を探求することはめったにありません。
このペーパーでは、明示的な選択メカニズムを介してポイントとテキストプロンプトの利点を融合する新しいデュアルモーダルプロンプトセグメンテーションフレームワークであるBiprompt-Samを紹介します。
具体的には、複数のマスク候補を生成するSAMの固有の機能を活用し、テキストプロンプトからセマンティックガイダンスマスクと組み合わせて、類似性メトリックに基づいて最も適切な候補を明示的に選択します。
このアプローチは、ポイントとテキストモジュールが明確な「専門家」として機能する専門家（MOE）システムの単純化された混合物として見ることができ、類似性のスコアリングは基本的な「ゲーティングネットワーク」として機能します。
Endovis17 Medical DatasetとRefCocoシリーズの自然画像データセットの両方で広範な評価を実施しました。
Endovis17では、Biprompt-SAMは89.55 \％mdiceと81.46 \％miouを達成しました。これは、最先端の専門的な医療セグメンテーションモデルに匹敵します。
RefCocoシリーズのデータ​​セットでは、この方法で87.1 \％、86.5 \％、および85.8 \％IOUが達成され、既存のアプローチを大幅に上回りました。
実験は、明示的なデュアル選択法が、ポイントプロンプトの空間精度と、特に意味的に複雑なオブジェクト、複数の同様のオブジェクト、および部分閉塞を含むシナリオで優れているテキストプロンプトのセマンティックリッチネスと効果的に組み合わせることを示しています。
Biprompt-SAMは、シンプルでありながら効果的な実装を提供するだけでなく、マルチモーダルプロンプト融合に関する新しい視点も提供します。

要約(オリジナル)

Segmentation is a fundamental task in computer vision, with prompt-driven methods gaining prominence due to their flexibility. The recent Segment Anything Model (SAM) has demonstrated powerful point-prompt segmentation capabilities, while text-based segmentation models offer rich semantic understanding. However, existing approaches rarely explore how to effectively combine these complementary modalities for optimal segmentation performance. This paper presents BiPrompt-SAM, a novel dual-modal prompt segmentation framework that fuses the advantages of point and text prompts through an explicit selection mechanism. Specifically, we leverage SAM’s inherent ability to generate multiple mask candidates, combined with a semantic guidance mask from text prompts, and explicitly select the most suitable candidate based on similarity metrics. This approach can be viewed as a simplified Mixture of Experts (MoE) system, where the point and text modules act as distinct ‘experts,’ and the similarity scoring serves as a rudimentary ‘gating network.’ We conducted extensive evaluations on both the Endovis17 medical dataset and RefCOCO series natural image datasets. On Endovis17, BiPrompt-SAM achieved 89.55\% mDice and 81.46\% mIoU, comparable to state-of-the-art specialized medical segmentation models. On the RefCOCO series datasets, our method attained 87.1\%, 86.5\%, and 85.8\% IoU, significantly outperforming existing approaches. Experiments demonstrate that our explicit dual-selection method effectively combines the spatial precision of point prompts with the semantic richness of text prompts, particularly excelling in scenarios involving semantically complex objects, multiple similar objects, and partial occlusions. BiPrompt-SAM not only provides a simple yet effective implementation but also offers a new perspective on multi-modal prompt fusion.

arxiv情報

著者 Suzhe Xu,Jialin Peng,Chengyuan Zhang
発行日 2025-03-25 15:38:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG | BiPrompt-SAM: Enhancing Image Segmentation via Explicit Selection between Point and Text Prompts はコメントを受け付けていません

LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation

投稿日: 2025年3月26日 作成者: jarxiv

要約

ビジョンと言語モデル（VLM）を使用して、オープンボキャブラリーセマンティックセグメンテーションのためのトレーニングなしの方法を提案します。
私たちのアプローチは、パッチとパッチとパッチの関係を組み込むことで予測を共同で最適化するラベル伝播を通じて、VLMの初期ごとの予測を強化します。
VLMは主にモーダル内の類似性ではなく、クロスモーダルアラインメントのために最適化されているため、これらの関係をよりよくキャプチャするように観察されるビジョンモデル（VM）を使用します。
パッチベースのエンコーダーに固有の解像度の制限に対処し、ピクセルレベルでラベル伝播を改良ステップとして適用し、クラスの境界近くのセグメンテーションの精度を大幅に改善します。
LPOSS+と呼ばれる私たちの方法は、画像全体に推論を実行し、ウィンドウベースの処理を回避し、それによって画像全体にわたってコンテキスト相互作用をキャプチャします。
LPOSS+は、多様なデータセットのセットで、トレーニングなしの方法で最先端のパフォーマンスを実現します。
コード：https：//github.com/vladan-stojnic/lposs

要約(オリジナル)

We propose a training-free method for open-vocabulary semantic segmentation using Vision-and-Language Models (VLMs). Our approach enhances the initial per-patch predictions of VLMs through label propagation, which jointly optimizes predictions by incorporating patch-to-patch relationships. Since VLMs are primarily optimized for cross-modal alignment and not for intra-modal similarity, we use a Vision Model (VM) that is observed to better capture these relationships. We address resolution limitations inherent to patch-based encoders by applying label propagation at the pixel level as a refinement step, significantly improving segmentation accuracy near class boundaries. Our method, called LPOSS+, performs inference over the entire image, avoiding window-based processing and thereby capturing contextual interactions across the full image. LPOSS+ achieves state-of-the-art performance among training-free methods, across a diverse set of datasets. Code: https://github.com/vladan-stojnic/LPOSS

arxiv情報

著者 Vladan Stojnić,Yannis Kalantidis,Jiří Matas,Giorgos Tolias
発行日 2025-03-25 15:47:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG | LPOSS: Label Propagation Over Patches and Pixels for Open-vocabulary Semantic Segmentation はコメントを受け付けていません

PyGraph: Robust Compiler Support for CUDA Graphs in PyTorch

投稿日: 2025年3月26日 作成者: jarxiv

要約

CUDAグラフ – NVIDIA GPU用に導入された最近のハードウェア機能 – は、DAGとして一連のGPUタスク（カーネル）をキャプチャおよび起動することにより、CPU発射オーバーヘッドを削減することを目的としています。
ただし、CUDAグラフの展開は、グラフの静的構造により、今日いくつかの課題に直面しています。
また、データコピーのためにパフォーマンスオーバーヘッドも発生します。
実際、直感に反する結果を示します。多くの場合、CUDAグラフを展開することはパフォーマンスを傷つけます。
Pygraphは、Pytorch2内のCUDAグラフの力を自動的に活用する新しいアプローチを紹介します。
Pygraphは、3つの重要な観察結果によって駆動され、3つの新しい最適化を具体化します。これにより、CUDAグラフの幅広い展開が可能になり、GPUカーネルパラメーターのコピーオーバーヘッドが削減され、コストベネフィット分析に基づいてCUDAグラフを選択的に展開します。
Pygraphは、Pytorch2のコンパイルツールチェーンとシームレスに統合され、コードを手動で変更せずにCUDAグラフを効率的に使用できるようにします。
さまざまな機械学習ベンチマークにわたってPygraphを評価し、Pytorch2よりも大幅なパフォーマンスの改善を示しています。

要約(オリジナル)

CUDA Graphs — a recent hardware feature introduced for NVIDIA GPUs — aim to reduce CPU launch overhead by capturing and launching a series of GPU tasks (kernels) as a DAG. However, deploying CUDA Graphs faces several challenges today due to the static structure of a graph. It also incurs performance overhead due to data copy. In fact, we show a counter-intuitive result — deploying CUDA Graphs hurts performance in many cases. We introduce PyGraph, a novel approach to automatically harness the power of CUDA Graphs within PyTorch2. Driven by three key observations, PyGraph embodies three novel optimizations: it enables wider deployment of CUDA Graphs, reduces GPU kernel parameter copy overheads, and selectively deploys CUDA Graphs based on a cost-benefit analysis. PyGraph seamlessly integrates with PyTorch2’s compilation toolchain, enabling efficient use of CUDA Graphs without manual modifications to the code. We evaluate PyGraph across various machine learning benchmarks, demonstrating substantial performance improvements over PyTorch2.

arxiv情報

著者 Abhishek Ghosh,Ajay Nayak,Ashish Panwar,Arkaprava Basu
発行日 2025-03-25 15:47:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | PyGraph: Robust Compiler Support for CUDA Graphs in PyTorch はコメントを受け付けていません

MetaSel: A Test Selection Approach for Fine-tuned DNN Models

投稿日: 2025年3月26日 作成者: jarxiv

要約

ディープニューラルネットワーク（DNNS）は、データ分布のシフトによる展開中に課題に直面しています。
微調整は、より小さなラベル付きセットを必要とする新しいコンテキストに事前に訓練されたモデルを適応させます。
ただし、制約されたラベル付け予算の下で微調整されたモデルをテストすることは依然として重要な課題です。
このペーパーでは、微調整されたDNNモデルに合わせて調整された新しいアプローチであるMetaselを紹介し、非標識入力からテストを選択します。
Metaselは、微調整された事前に訓練されたモデルが関連するデータ分布を共有し、多くの入力に対して同様の動作を示すと想定しています。
ただし、それらの動作は、微調整が決定境界を変更する入力サブスペース内で分岐し、それらの入力がより誤分類の傾向があるようにします。
DNNモデルとその入力セットのみに依存する一般的なアプローチとは異なり、メタセルは微調整されたモデルと事前に訓練されたモデルとその行動の違いの両方から情報を活用して、より効果的なテスト入力の誤分類確率を推定し、より効果的なテスト選択を可能にします。
メタセルと10の最先端のアプローチと比較し、弱い、中程度、および強力な分布シフトにわたって68の微調整されたモデルを含む広範な経験的評価は、メタセルが既存のベースライン、特に高度に制約されたラベリング予算の下で、テスト相対カバレッジ（TRC）の大幅な改善を一貫して提供することを示しています。
メタセルは、高頻度の2番目のベースラインで平均TRCの改善が28.46％から56.18％であることを示していますが、高TRCの中央値と低い変動性を維持しています。
我々の結果は、微調整されたモデルのコンテキストでのテスト選択のメタセルの実用性、堅牢性、および費用対効果を裏付けています。

要約(オリジナル)

Deep Neural Networks (DNNs) face challenges during deployment due to data distribution shifts. Fine-tuning adapts pre-trained models to new contexts requiring smaller labeled sets. However, testing fine-tuned models under constrained labeling budgets remains a critical challenge. This paper introduces MetaSel, a new approach, tailored for fine-tuned DNN models, to select tests from unlabeled inputs. MetaSel assumes that fine-tuned and pre-trained models share related data distributions and exhibit similar behaviors for many inputs. However, their behaviors diverge within the input subspace where fine-tuning alters decision boundaries, making those inputs more prone to misclassification. Unlike general approaches that rely solely on the DNN model and its input set, MetaSel leverages information from both the fine-tuned and pre-trained models and their behavioral differences to estimate misclassification probability for unlabeled test inputs, enabling more effective test selection. Our extensive empirical evaluation, comparing MetaSel against 10 state-of-the-art approaches and involving 68 fine-tuned models across weak, medium, and strong distribution shifts, demonstrates that MetaSel consistently delivers significant improvements in Test Relative Coverage (TRC) over existing baselines, particularly under highly constrained labeling budgets. MetaSel shows average TRC improvements of 28.46% to 56.18% over the most frequent second-best baselines while maintaining a high TRC median and low variability. Our results confirm MetaSel’s practicality, robustness, and cost-effectiveness for test selection in the context of fine-tuned models.

arxiv情報

著者 Amin Abbasishahkoo,Mahboubeh Dadkhah,Lionel Briand,Dayi Lin
発行日 2025-03-25 16:00:07+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.SE | MetaSel: A Test Selection Approach for Fine-tuned DNN Models はコメントを受け付けていません

Locally Private Nonparametric Contextual Multi-armed Bandits

投稿日: 2025年3月26日 作成者: jarxiv

要約

機密データに関する順次意思決定におけるプライバシーの懸念に動機付けられ、ローカル差別的プライバシー（LDP）の下でのノンパラメトリックコンテキストマルチアライド盗賊（MAB）の課題に対処します。
一致するミニマックスの下限によってサポートされているミニマックスの最適性を示す均一な満点に縛られたタイプの推定器を開発します。
さらに、補助データセットが利用可能な場合を検討します。これは、（おそらく不均一な）LDP制約の対象となります。
広く使用されている共変量シフトフレームワークの下で、補助データを効果的に利用するためのジャンプスタートスキームを提案します。その最適性は、一致する下限によってさらに確立されます。
合成データセットと実世界の両方のデータセットの包括的な実験は、当社の理論的結果を検証し、提案された方法の有効性を強調しています。

要約(オリジナル)

Motivated by privacy concerns in sequential decision-making on sensitive data, we address the challenge of nonparametric contextual multi-armed bandits (MAB) under local differential privacy (LDP). We develop a uniform-confidence-bound-type estimator, showing its minimax optimality supported by a matching minimax lower bound. We further consider the case where auxiliary datasets are available, subject also to (possibly heterogeneous) LDP constraints. Under the widely-used covariate shift framework, we propose a jump-start scheme to effectively utilize the auxiliary data, the minimax optimality of which is further established by a matching lower bound. Comprehensive experiments on both synthetic and real-world datasets validate our theoretical results and underscore the effectiveness of the proposed methods.

arxiv情報

著者 Yuheng Ma,Feiyu Jiang,Zifeng Zhao,Hanfang Yang,Yi Yu
発行日 2025-03-25 16:13:14+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ME, stat.ML | Locally Private Nonparametric Contextual Multi-armed Bandits はコメントを受け付けていません

A Systematic Review of EEG-based Machine Intelligence Algorithms for Depression Diagnosis, and Monitoring

投稿日: 2025年3月26日 作成者: jarxiv

要約

うつ病障害は、世界中の何百万人もの人々の生活に影響を与えた深刻な健康状態です。
うつ病の診断は、主観的な研究に大きく依存している挑戦的な実践であり、ほとんどの場合、遅い発見に苦しんでいます。
脳波（EEG）バイオマーカーが提案され、潜在的な変革的客観的実践として調査されています。
この記事では、EEGベースのうつ病診断アプローチの詳細な系統的レビューを初めて、高度な機械学習技術と統計分析を使用して実施します。
このため、938の潜在的に関連する記事（1985年以降）が最初に検出され、レビュースキーム「系統的レビューおよびメタ分析（PRISMA）のための優先レポート項目」に基づいて139の関連記事にフィルタリングされました。
この記事では、選択した記事を比較および説明し、機械学習技術の種類と統計分析に従って分類します。
アルゴリズム、前処理手法、抽出された機能、およびデータ収集システムについて説明し、要約します。
このレビューペーパーでは、現在のアルゴリズムの既存の課題について説明し、フィールドの将来の方向に光を当てます。
この系統的レビューは、将来の研究や将来のウェアラブル技術で対処できるEEGうつ病の診断のためのマシンインテリジェンスの問題と課題の概要を示しています。

要約(オリジナル)

Depression disorder is a serious health condition that has affected the lives of millions of people around the world. Diagnosis of depression is a challenging practice that relies heavily on subjective studies and, in most cases, suffers from late findings. Electroencephalography (EEG) biomarkers have been suggested and investigated in recent years as a potential transformative objective practice. In this article, for the first time, a detailed systematic review of EEG-based depression diagnosis approaches is conducted using advanced machine learning techniques and statistical analyses. For this, 938 potentially relevant articles (since 1985) were initially detected and filtered into 139 relevant articles based on the review scheme ‘preferred reporting items for systematic reviews and meta-analyses (PRISMA).’ This article compares and discusses the selected articles and categorizes them according to the type of machine learning techniques and statistical analyses. Algorithms, preprocessing techniques, extracted features, and data acquisition systems are discussed and summarized. This review paper explains the existing challenges of the current algorithms and sheds light on the future direction of the field. This systematic review outlines the issues and challenges in machine intelligence for the diagnosis of EEG depression that can be addressed in future studies and possibly in future wearable technologies.

arxiv情報

著者 Amir Nassibi,Christos Papavassiliou,Ildar Rakhmatulin,Danilo Mandic,S. Farokh Atashzar
発行日 2025-03-25 16:31:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, eess.SP | A Systematic Review of EEG-based Machine Intelligence Algorithms for Depression Diagnosis, and Monitoring はコメントを受け付けていません

IgCraft: A versatile sequence generation framework for antibody discovery and engineering

投稿日: 2025年3月26日 作成者: jarxiv

要約

抗体配列を設計するために、自然の人間のレパートリーで観察されるものによく似たものは、生物学の発達における重要な課題です。
IGrack：ベイジアンフローネットワーク上に構築されたペアのヒト抗体配列生成の多目的モデルを紹介します。
IGraftは、無条件のサンプリング、パインティングのシーケンス、逆折りたたみ、CDRモチーフ足場など、単一のモデルを使用して、複数の抗体配列設計タスクに対処できる最初の統合生成モデリングフレームワークの1つを提示します。
私たちのアプローチは、これらのタスクの全範囲にわたって競争結果を達成しながら、ヒト抗体配列の空間に生成を制約し、CDRモチーフ足場（グラフト）の特定の強みを示し、そこでは構造特性の人間性と保存の観点から最先端のパフォーマンスを達成します。
以前のタスクを単一のスケーラブルな生成モデルに統合することにより、IGCRACKは抗体発見とエンジニアリングに関連するさまざまなコンテキストの下でヒト抗体配列をサンプリングするための汎用性の高いプラットフォームを提供します。
モデルコードと重みは、github.com/mgreenig/igcraftで公開されています。

要約(オリジナル)

Designing antibody sequences to better resemble those observed in natural human repertoires is a key challenge in biologics development. We introduce IgCraft: a multi-purpose model for paired human antibody sequence generation, built on Bayesian Flow Networks. IgCraft presents one of the first unified generative modeling frameworks capable of addressing multiple antibody sequence design tasks with a single model, including unconditional sampling, sequence inpainting, inverse folding, and CDR motif scaffolding. Our approach achieves competitive results across the full spectrum of these tasks while constraining generation to the space of human antibody sequences, exhibiting particular strengths in CDR motif scaffolding (grafting) where we achieve state-of-the-art performance in terms of humanness and preservation of structural properties. By integrating previously separate tasks into a single scalable generative model, IgCraft provides a versatile platform for sampling human antibody sequences under a variety of contexts relevant to antibody discovery and engineering. Model code and weights are publicly available at github.com/mgreenig/IgCraft.

arxiv情報

著者 Matthew Greenig,Haowen Zhao,Vladimir Radenkovic,Aubin Ramon,Pietro Sormanni
発行日 2025-03-25 16:32:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, q-bio.BM, q-bio.QM | IgCraft: A versatile sequence generation framework for antibody discovery and engineering はコメントを受け付けていません