論文の概要: Learning physical properties of anomalous random walks using graph neural networks

• arxiv url: http://arxiv.org/abs/2103.11738v1
• Date: Mon, 22 Mar 2021 11:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:07:52.262079
• Title: Learning physical properties of anomalous random walks using graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた異常ランダム歩行の物理特性の学習
• Authors: Hippolyte Verdier (UP), Maxime Duval, Fran\c{c}ois Laurent, Alhassan Cass\'e, Christian Vestergaard, Jean-Baptiste Masson
• Abstract要約: 単一粒子追跡により、生体分子が自然環境と物理的に相互作用する方法を探ります。 信頼できる推論は、単一粒子運動の固有の性質、実験ノイズ、およびほとんどの実験軌道の短い持続時間によって困難にされる。 ここでは、グラフニューラルネットワーク(GNN)に基づくランダムウォーク特性を推定するための新しい高速アプローチを紹介します。
• 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: Single particle tracking allows probing how biomolecules interact physically with their natural environments. A fundamental challenge when analysing recorded single particle trajectories is the inverse problem of inferring the physical model or class of models of the underlying random walks. Reliable inference is made difficult by the inherent stochastic nature of single particle motion, by experimental noise, and by the short duration of most experimental trajectories. Model identification is further complicated by the fact that main physical properties of random walk models are only defined asymptotically, and are thus degenerate for short trajectories. Here, we introduce a new, fast approach to inferring random walk properties based on graph neural networks (GNNs). Our approach consists in associating a vector of features with each observed position, and a sparse graph structure with each observed trajectory. By performing simulation-based supervised learning on this construct [1], we show that we can reliably learn models of random walks and their anomalous exponents. The method can naturally be applied to trajectories of any length. We show its efficiency in analysing various anomalous random walks of biological relevance that were proposed in the AnDi challenge [2]. We explore how information is encoded in the GNN, and we show that it learns relevant physical features of the random walks. We furthermore evaluate its ability to generalize to types of trajectories not seen during training, and we show that the GNN retains high accuracy even with few parameters. We finally discuss the possibility to leverage these networks to analyse experimental data.
• Abstract（参考訳）: 単一粒子追跡により、生体分子が自然環境と物理的にどのように相互作用するかを探索することができる。 記録された単一粒子軌道の分析における根本的な課題は、基礎となるランダムウォークの物理モデルやモデルのクラスを推論する逆問題である。 信頼性の高い推論は、単粒子運動の固有確率的性質、実験ノイズ、およびほとんどの実験軌道の短い期間によって困難にされる。 モデル同定は、ランダムウォークモデルの主要な物理的性質が漸近的にのみ定義されているという事実によりさらに複雑である。 本稿では,グラフニューラルネットワーク(GNN)に基づくランダムウォーク特性を推定するための,新しい高速なアプローチを提案する。 提案手法は,各観測位置に特徴ベクトルを関連づけることと,各観測軌道にスパースグラフ構造を関連づけることである。 この構成物上でシミュレーションに基づく教師付き学習を行うことで,ランダムウォークとその異常指数のモデルを確実に学習できることを示す。 この方法は任意の長さの軌跡に自然に適用できる。 本研究は,AnDi Challenge [2]で提案された生体関連性の異常なランダムウォークの解析における効率性を示す。 我々は,GNNで情報がどのように符号化されているかを探索し,ランダムウォークの物理的特徴を学習していることを示す。 さらに、トレーニング中に見えない種類の軌跡を一般化する能力を評価し、GNNは少ないパラメータでも高い精度を維持していることを示す。 実験データの解析にこれらのネットワークを活用する可能性について論じる。

関連論文リスト

• Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models [0.8274836883472768]
  実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。 非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
  論文  参考訳（メタデータ） (2024-11-13T15:27:02Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Neural Lagrangian Schr\"odinger bridge [25.157282476221482]
  連続正規化流(CNF)と動的最適輸送を用いた人口動態について検討した。 ラグランジアン・シュル・オーディンガー橋(LSB)問題を定式化し、正規化を伴うニューラルSDEを用いて解くことを提案する。 LSB問題に対する我々の解法は,人口レベルでのダイナミクスを近似できることを示す。
  論文  参考訳（メタデータ） (2022-04-11T03:32:17Z)
• Graph network for simultaneous learning of forward and inverse physics [0.0]
  本稿では,解釈可能な帰納バイアスを用いて粒子物理学の前方および逆モデルを学ぶエンド・ツー・エンドグラフネットワークを提案する。 我々の手法は、少なくとも1桁高い精度で前方ダイナミクスを予測できる。
  論文  参考訳（メタデータ） (2021-12-13T22:38:09Z)
• 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)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。