PyTorchKR Papers

업데이트된 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2403.19880v2eess.IV공식 코드 · Papers with Code

확산 모델의 합성 데이터 활용은 심초음파 하위 과제를 뒷받침한다

Incorporating synthetic data from diffusion models supports echocardiography downstream tasks

목적: 대규모 레이블 심초음파 데이터셋은 수집 비용이 많이 든다. 우리는 확산 모델을 사용하여 분할 및 심장 주기 분류를 위한 합성 학습 데이터를 생성한다. 방법: CAMUS에서 세 가지 생성 접근법을 연구한다. 즉, 무조건부 이미지 공간 모델, 평이한 영어 프롬프트 또는 추상 토큰으로 조건화된 잠재 모델, 그리고 추상 토큰과 분할 마스크로 조건화된 ControlNet 모델이다. 합성은 Fréchet Inception Distance(FID)로 평가하고, 증강은 이완기 말과 수축기 말의 분할 및 분류로 평가한다. 또한 CardiacUDC 내부에서의 분할과 CAMUS에서 CardiacUDC로의 직접 분할도 평가한다. 결과: 추상 토큰과 분할 마스크로 조건화하면 평균 FID가 1.5로 가장 낮았으며, 이는 Semantic Diffusion Model의 3.2와 비교된다. 추상 토큰 증강은 가장 높은 분류 정확도를 보여 ResNet-18을 83.8%에서 87.2%로, VGG-16을 74.5%에서 78.7%로 향상시켰다. 합성 증강은 CAMUS 2D U-Net에서 평균 Dice 87.6%, CardiacUDC nnU-Net에서 84.6%로 가장 높은 값을 보였다. nnU-Net 모델을 CAMUS에서 학습하여 CardiacUDC에서 직접 평가할 때, 증강은 평균 Dice를 74.6%에서 75.2%로 높인다. 결론: 합성 이미지를 학습에 포함하면 CAMUS 주기 분류, CAMUS와 CardiacUDC 내부 분할, 그리고 CAMUS에서 CardiacUDC로의 직접 분할에서 완만한 향상을 얻는다.

arXiv:2410.22729v5stat.ML공식 코드 · Papers with Code

시간 스냅샷으로부터 드리프트, 확산, 인과 구조 식별하기

Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots

확률 미분방정식(SDE)은 유전자 조절 네트워크(GRN), 오염물질 이동, 금융 시장, 이미지 생성을 포함한 동적 과정을 모델링하는 기본 도구이다. 그러나 개별 궤적을 관측할 수 없는 경우 특히, 데이터로부터 기저의 SDE를 학습하는 것은 어려운 과제이다. 단일 세포 데이터셋에 대한 연구가 급증하는 데 동기를 얻어, 우리는 시간적 주변분포로부터 SDE의 드리프트와 확산을 공동으로 식별하는 최초의 포괄적 접근법을 제시한다. 선형 드리프트와 가법 확산을 가정할 때, 초기 분포가 일반화된 회전 대칭성을 가지는 경우에만 비식별성이 발생할 수 있음을 보인다. 더 나아가 이 조건이 성립하더라도 주변분포로부터 드리프트와 확산을 거의 항상 복원할 수 있음을 증명한다. 또한 가법 확산을 갖는 임의의 SDE의 인과 그래프를 식별된 SDE 매개변수로부터 복원할 수 있음을 보인다. 이 이론을 보완하기 위해 엔트로피 정규화 최적 수송을 비등방 확산을 다루도록 적응시키고, 오직 시간적 주변분포만으로 가법 잡음 SDE의 드리프트, 확산, 인과 그래프를 추정하도록 설계된 반복 알고리즘인 APPEX(Alternating Projection Parameter Estimation from $X_0$)를 도입하며, 선형 가법 잡음 SDE의 시뮬레이션 데이터에서 그 효과를 입증한다.