Sep, 2024

你在共同点中看到了什么？通过生命树学习层次原型以发现进化特征

HTML
PDF
TL;DR本研究针对生物学中发现进化特征的挑战，提出了一种新框架HComP-Net，用于通过图像层次地学习原型。该方法有效解决了现有方法在层次原型学习中的不足，实验证明其在鸟类、蝴蝶和鱼类数据集上学习到的原型不仅准确且具有语义一致性，对未见物种也具有良好的泛化能力。
发现论文，激发创造
  • 利用深度特异性网络解析重叠生物的图像

    本文提出了一种深度前馈的分离网络（SON）方法，能够有效地分离高度重叠的生物图像中的个体对象，并估计中心对象的形状。实验表明该方法可以解析三类流行的模型生物的显微镜图像，同时避免了无需渲染训练图像的高维度配置空间和大量渲染测试时间操作的需求。

    Dec, 2016

  • 使用分层原型的可解释图像识别

    通过使用根据预定义的分类法层次化组织的视觉原型模型，可以实现解释性地对图像进行分类，使得该模型能够对来自先前未见过的类别的图像进行解释性地分类。

    Jun, 2019

  • ProtoPShare: 原型共享用于可解释图像分类和相似性发现

    本文介绍了ProtoPShare，一种基于原型部件范例的自我解释方法，具有数据依赖的合并修剪功能，能够有效地在类别之间共享原型部件，原型更加一致，模型对图像扰动更加稳健，并在CUB-200-2011和斯坦福车辆两个数据集上验证了我们的发现。

    Nov, 2020

  • 神经原型树用于可解释的细粒度图像识别

    本研究提出了神经原型树（ProtoTree）方法，将原型学习与决策树相结合，从而通过设计在全局上产生可解释的模型。此外， ProtoTree 可以通过在树中勾勒一个决策路径来在本地解释单个预测并通过集成方法、修剪和二值化调整准确性与可解释性的权衡。

    Dec, 2020

  • Phylo2Vec：二叉树的向量表示

    本文介绍了一种新的用于最大似然推断的优化方法——基于 Phylo2Vec 的 hill climbing-based 优化算法，该算法结合了二叉进化树和机器学习优化的优点，旨在解决 NP-难问题。

    Apr, 2023

  • Learngene：从祖先模型继承压缩知识到后代模型

    提出了一种新的机器学习范式Learngene，其主要特点是能够在一个祖先模型的连续学习期间积累知识，把这些经验压缩成紧凑的信息元素（即Learngene），并将其遗传给后代模型，使其更容易适应新环境。

    May, 2023

  • 利用系统发育引导的神经网络从图像中发现新的生物特征

    Phylo-NN是一种无需标签，直接从昆虫图片中提取进化特征序列的方法，对鱼类进行了演示，证明了其用于物种图像生成和物种-物种图像转换的有效性。

    Jun, 2023

  • BIOCLIP：生命之树的视觉基础模型

    树生命-1000万数据集及BioCLIP模型的开发和评估，证明其在获取生物学图像中具有较强的泛化能力和优越的性能。

    Nov, 2023

  • 关于羊驼起源的模型树遗传恢复

    神经网络模型的快速增长使模型权重成为重要的数据形式。我们通过定义模型树描述模型的起源来解决网络上公开的模型数据无法解释和组织的问题。我们介绍了模型树继承恢复任务，旨在根据模型权重解码模型的树结构，从而有助于模型的作者鉴定和互联网索引等应用。通过对权重的分布特性进行分类，我们能够确定两个模型之间的关系和关系的方向。MoTHer恢复将模型层次结构表示为一个有向树，成功地重建了复杂的模型树和“野外”模型族群的结构，如Llama 2和稳定扩散。

    May, 2024

  • 利用生命树进行扩散模型的层级条件化以研究物种演化

    本研究针对生物学中理解生物体如何随着环境演化与适应的问题，提出了一种新的方法——Phylo-Diffusion框架，通过层级嵌入来结合系统发育知识。研究表明，该方法在捕捉鱼类和鸟类的显著特征变异方面表现出色，揭示了其进化生物机制的新见解。

    Jul, 2024