Diese Forschung konzentriert sich auf das Subjekt-Aware Contrastive Learning, eine neuartige KI-Technik, die für die effektive Verarbeitung und das Verständnis von Biosignalen entwickelt wurde. Sie zielt darauf ab, das Repräsentationslernen komplexer biologischer Daten zu verbessern und Fortschritte in der Analyse physiologischer Messungen zu bieten.
Haiku ist ein tri-modales kontrastives Lernmodell, das auf multiplexer Immunfluoreszenz (mIF) trainiert wurde und molekulare, morphologische und klinische Daten von über 1.600 Patienten integriert. Es ermöglicht einen dreifachen, kreuzmodalen Abruf, verbessert nachgelagerte Klassifizierungs- und klinische Vorhersageaufgaben und unterstützt die Zero-Shot-Biomarker-Inferenz, wodurch es konkurrierende Ansätze übertrifft.
Kontrastives Lernen zielt darauf ab, relationale Strukturen zwischen Samples zu erhalten, indem Repräsentationen gelernt werden, die einen Ähnlichkeitsgraphen widerspiegeln. Dieses Papier interpretiert gewichtete InfoNCE-Ziele als Distanzgeometrie-Probleme und bietet einen einheitlichen geometrischen Rahmen sowie exakte Charakterisierungen optimaler Einbettungen, wobei aufgezeigt wird, wie Klassenasymmetrie die Ähnlichkeiten zwischen Klassen in SupCon beeinflusst.
Este trabalho propõe um novo modelo para treinar Redes Neurais Gráficas (GNNs) sensíveis à justiça, aprimorando o framework CAF. A abordagem utiliza uma estratégia de treinamento em duas fases, editando o grafo para ajustar a homofilia e integrando perdas contrastivas e ambientais modificadas para melhorar a predição e a justiça.