Esta pesquisa foca na Aprendizagem Contrastiva Consciente do Assunto, uma nova técnica de IA desenvolvida para o processamento e compreensão eficazes de biossinais. Ela visa melhorar a aprendizagem de representação de dados biológicos complexos, oferecendo avanços na análise de medições fisiológicas.
Haiku é um modelo de aprendizado contrastivo tri-modal treinado em imunofluorescência multiplexada (mIF), integrando dados moleculares, morfológicos e clínicos de mais de 1.600 pacientes. Ele permite a recuperação tri-modal, melhora as tarefas de classificação e previsão clínica, e suporta a inferência de biomarcadores zero-shot, superando abordagens concorrentes.
A aprendizagem contrastiva visa preservar a estrutura relacional em representações de amostras, refletindo um grafo de similaridade. Este artigo interpreta objetivos InfoNCE ponderados como Problemas de Geometria de Distância, oferecendo uma estrutura geométrica unificada e caracterizações exatas de embeddings ótimos, revelando como o desequilíbrio de classes afeta as similaridades interclasses no 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.