Cette recherche porte sur l'apprentissage contrastif conscient du sujet, une nouvelle technique d'IA développée pour le traitement et la compréhension efficaces des biosignaux. Elle vise à améliorer l'apprentissage de la représentation des données biologiques complexes, offrant des avancées dans l'analyse des mesures physiologiques.
Haiku est un modèle d'apprentissage contrastif trimodal entraîné sur l'immunofluorescence multiplexée (mIF), intégrant des données moléculaires, morphologiques et cliniques de plus de 1 600 patients. Il permet la récupération transmodale à trois voies, améliore les tâches de classification et de prédiction clinique en aval, et prend en charge l'inférence de biomarqueurs à zéro coup, surpassant les approches concurrentes.
L'apprentissage contrastif vise à préserver la structure relationnelle entre les échantillons en apprenant des représentations qui reflètent un graphe de similarité. Cet article interprète les objectifs InfoNCE pondérés comme des problèmes de géométrie de distance, offrant un cadre géométrique unifié et des caractérisations exactes des embeddings optimaux, révélant comment le déséquilibre des classes affecte les similarités inter-classes dans 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.