論文の概要: Identification of Anomalous Diffusion Sources by Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2010.02168v1
- Date: Mon, 5 Oct 2020 17:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 22:25:30.695475
- Title: Identification of Anomalous Diffusion Sources by Unsupervised Learning
- Title(参考訳): 教師なし学習による異常拡散源の同定
- Authors: Raviteja Vangara, Kim \O. Rasmussen, Dimiter N. Petsev, Golan Bel and
Boian S. Alexandrov
- Abstract要約: フラクショナルブラウン運動(英: Fractional Brownian motion、fBm)は、輸送のメモリ効果が電力法則に従って平均2乗粒子の変位をもたらすユビキタス拡散過程である。
本稿では,非負行列因子化に基づく教師なし学習手法について報告する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fractional Brownian motion (fBm) is a ubiquitous diffusion process in which
the memory effects of the stochastic transport result in the mean squared
particle displacement following a power law, $\langle {\Delta r}^2 \rangle \sim
t^{\alpha}$, where the diffusion exponent $\alpha$ characterizes whether the
transport is subdiffusive, ($\alpha<1$), diffusive ($\alpha = 1$), or
superdiffusive, ($\alpha >1$). Due to the abundance of fBm processes in nature,
significant efforts have been devoted to the identification and
characterization of fBm sources in various phenomena. In practice, the
identification of the fBm sources often relies on solving a complex and
ill-posed inverse problem based on limited observed data. In the general case,
the detected signals are formed by an unknown number of release sources,
located at different locations and with different strengths, that act
simultaneously. This means that the observed data is composed of mixtures of
releases from an unknown number of sources, which makes the traditional inverse
modeling approaches unreliable. Here, we report an unsupervised learning
method, based on Nonnegative Matrix Factorization, that enables the
identification of the unknown number of release sources as well the anomalous
diffusion characteristics based on limited observed data and the general form
of the corresponding fBm Green's function. We show that our method performs
accurately for different types of sources and configurations with a
predetermined number of sources with specific characteristics and introduced
noise.
- Abstract(参考訳): 分数ブラウン運動(英: fractional brownian motion、fbm)は、確率輸送の記憶効果が力則に従う平均二乗粒子の変位をもたらすユビキタスな拡散過程であり、拡散指数 $\alpha$ は輸送が劣微分的であるか($\alpha<1$)、拡散的であるか($\alpha = 1$)、超微分的であるか($\alpha >1$)を特徴づける。
自然界におけるfBm過程の豊富さのため、様々な現象におけるfBm源の同定とキャラクタリゼーションに多大な努力が注がれている。
実際には、fBm源の同定は、限られた観測データに基づく複雑で不適切な逆問題の解法に依存することが多い。
一般的な場合、検出された信号は未知の数の放出源によって形成され、異なる位置に位置し、異なる強度で同時に作用する。
これは、観測されたデータは未知数のソースからの放出の混合物で構成されており、従来の逆モデリングアプローチは信頼できないことを意味する。
本稿では,非負行列因子化に基づく教師なし学習手法について報告する。これは未知の放出源数と,限られた観測データと対応するfBm Green関数の一般形に基づく異常拡散特性の同定を可能にする。
提案手法は,特定の特徴を持つ所定回数のソースと設定の異なる種類のソースに対して精度良く動作し,ノイズを導入した。
関連論文リスト
- Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳(メタデータ) (2024-03-03T23:15:48Z) - What can we learn from diffusion about Anderson localization of a
degenerate Fermi gas? [0.0]
我々は、光スペックルパターンによって形成される障害電位において、縮退したスピン偏極フェルミガスを実験的に研究した。
臨界障害強度以上の局所化への移行のサインを示すものもあれば、改良された拡散状態へのスムーズな交差を示すものもある。
本研究は, 系の拡散を詳細に解析することにより, 局所化への遷移を研究できることを強調した。
論文 参考訳(メタデータ) (2023-11-13T17:46:08Z) - Score-based Source Separation with Applications to Digital Communication
Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。
高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。
提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文 参考訳(メタデータ) (2023-06-26T04:12:40Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳(メタデータ) (2023-06-20T03:05:28Z) - Large-Sample Properties of Non-Stationary Source Separation for Gaussian
Signals [2.2557806157585834]
我々は,非定常音源分離の一般的な方法である NSS-JD に対する大サンプル理論を開発した。
標準平方根率における非混合推定器の整合性とガウス分布への収束性は保たれることを示す。
シミュレーション実験は、理論結果の検証と、ブロック長が分離に与える影響を調べるために用いられる。
論文 参考訳(メタデータ) (2022-09-21T08:13:20Z) - Source Localization of Graph Diffusion via Variational Autoencoders for
Graph Inverse Problems [8.984898754363265]
グラフ拡散の逆問題としてのソースローカライゼーションは極めて困難である。
本稿では,異なる候補源の不確実性を考慮した確率的手法に焦点をあてる。
7つの実世界のデータセット上で実験を行い、拡散源の再構築におけるSL-VAEの優位性を実証した。
論文 参考訳(メタデータ) (2022-06-24T14:56:45Z) - Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。
フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。
我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文 参考訳(メタデータ) (2022-06-05T20:45:01Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳(メタデータ) (2022-03-11T10:47:16Z) - Unsupervised learning of anomalous diffusion data [0.0]
データのラベル付けを必要とせずに,主な拡散特性を学習できることが示される。
また、既存の拡散モデルの合成によって表現される新しい種類の拡散を見つける可能性についても検討する。
論文 参考訳(メタデータ) (2021-08-07T09:45:21Z) - Efficient recurrent neural network methods for anomalously diffusing
single particle short and noisy trajectories [0.08594140167290096]
本稿では, 異常指数を推定し, 単一, 雑音, 短軌跡の背後にある異常拡散過程のタイプを同定できるデータ駆動方式を提案する。
畳み込みニューラルネットワークと繰り返しニューラルネットワークを組み合わせることで、最先端の結果が得られた。
論文 参考訳(メタデータ) (2021-08-05T20:04:37Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。