нейронные сети

В исследовании представлена инновационная система Cell Positioning System (CPS) — фреймворк на основе неявных нейронных представлений, предназначенный для решения проблем разреженности данных и низкого соотношения сигнал/шум в пространственной транскриптомике. Авторы используют стратегию привилегированной многомасштабной дистилляции контекста, где обучающая сеть (teacher network) с механизмом внимания к биологическим нишам передает структурные знания сети-ученику (student network). Это позволяет генерировать высокоточные карты экспрессии генов, используя только пространственные координаты на этапе инференса, без необходимости в сложной регистрации изображений. Тестирование на наборе данных DLPFC показало, что CPS достигает передовых результатов (SOTA) в задачах импутации (восполнения) и денойзинга (очистки от шума) генной экспрессии. Система также способна выполнять супер-разрешение, восстанавливая детали анатомии мозга мыши, и обеспечивает интерпретируемость, определяя эффективный масштаб биологических взаимодействий в тканях рака молочной железы человека. Важным преимуществом является линейная вычислительная сложность, что делает CPS масштабируемым для работы с крупномасштабными биологическими наборами данных.

Исследование, опубликованное в Nature Machine Intelligence, предлагает новый подход к повышению надежности нейронных сетей путем предварительного обучения на случайном шуме. Авторы обнаружили, что современные модели склонны к чрезмерной самоуверенности (overconfidence) до того, как они сталкиваются с реальными данными. Методология заключается в кратковременном этапе обучения на случайных шумовых паттернах, что позволяет модели «научиться» распознавать неопределенность. Результаты показывают значительное улучшение калибровки предсказаний и более эффективную идентификацию данных, выходящих за пределы распределения (out-of-distribution). Это критически важно для медицинских приложений, где ошибка в оценке уверенности модели может привести к неверной диагностике. Внедрение данного метода позволяет сделать ИИ-системы более предсказуемыми и безопасными при работе в условиях клинической неопределенности.

Исследование, опубликованное в Nature Machine Intelligence, предлагает новый метод решения проблемы чрезмерной уверенности (overconfidence) глубоких нейронных сетей. Авторы Cheon и Paik доказывают, что избыточная самоуверенность моделей обусловлена стандартными практиками инициализации весов. Для решения этой проблемы предлагается метод кратковременного «warm-up» обучения с использованием случайного шума, имитирующий биологические процессы в мозге. Данный подход значительно улучшает калибровку неопределенности и способность моделей к метакогнитивному распознаванию неизвестных входных данных. Внедрение этого метода позволяет нейросетям более точно оценивать степень своей уверенности в правильности ответа, что критически важно для медицинских систем принятия решений. Применение подобных алгоритмов может снизить риски диагностических ошибок, вызванных ложной уверенностью ИИ при столкновении с атипичными клиническими случаями.

Исследование опубликовано в Nature Machine Intelligence и посвящено методу «обратной предсказательности» (reverse predictivity) для сравнения искусственных нейронных сетей (ИНС) с биологическими мозгами приматов. Авторы Muzellec и Kar использовали этот метод для анализа того, насколько единицы ИНС соответствуют реакциям мозга приматов. Ключевой результат показал существенное несоответствие между ИНС и мозгом — только подмножество единиц искусственных сетей демонстрирует выравнивание с нейронными ответами приматов. Это контрастирует с сильным двунаправленным выравниванием, наблюдаемым между двумя мозгами приматов, что указывает на фундаментальные различия в архитектуре и функционировании. Работа имеет значение для понимания ограничений современных ИИ-моделей в моделировании биологического интеллекта. Хотя исследование не применяется напрямую в клинической практике, оно важно для фундаментальных исследований в области нейронаук и разработки более биологически правдоподобных ИИ-систем, которые могут в будущем использоваться в медицинской диагностике и нейрореабилитации.