Esta investigación se centra en el Aprendizaje Contrastivo Consciente del Sujeto, una novedosa técnica de IA desarrollada para el procesamiento y comprensión efectivos de bioseñales. Su objetivo es mejorar el aprendizaje de la representación de datos biológicos complejos, ofreciendo avances en el análisis de mediciones fisiológicas.
Haiku es un modelo de aprendizaje contrastivo tri-modal entrenado con inmunofluorescencia multiplexada (mIF), que integra datos moleculares, morfológicos y clínicos de más de 1.600 pacientes. Permite la recuperación intermodal, mejora las tareas de clasificación y predicción clínica, y soporta la inferencia de biomarcadores de disparo cero, superando a otros enfoques.
El aprendizaje contrastivo busca preservar la estructura relacional en las representaciones de las muestras reflejando un grafo de similitud. Este trabajo interpreta los objetivos InfoNCE ponderados como Problemas de Geometría de Distancia, proporcionando un marco geométrico unificado y caracterizaciones exactas de embeddings óptimos, revelando cómo el desequilibrio de clases afecta las similitudes entre clases en SupCon.
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.