論文の概要: Constrained non-negative matrix factorization enabling real-time
insights of $\textit{in situ}$ and high-throughput experiments
- arxiv url: http://arxiv.org/abs/2104.00864v1
- Date: Fri, 2 Apr 2021 03:04:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 20:58:22.477363
- Title: Constrained non-negative matrix factorization enabling real-time
insights of $\textit{in situ}$ and high-throughput experiments
- Title（参考訳）: $\textit{in situ}$および高スループット実験のリアルタイム洞察を可能にする制約非負行列分解
- Authors: Phillip M. Maffettone, Aidan C. Daly, Daniel Olds
- Abstract要約: 非負行列因子化(NMF)法は、ストリーミングスペクトルデータのリアルタイム解析に魅力的な教師なし学習法を提供する。
我々は,NMFの重みや成分の制約が,真に根底にある現象を明らかにする上で,いかに顕著な改善をもたらすかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-negative Matrix Factorization (NMF) methods offer an appealing
unsupervised learning method for real-time analysis of streaming spectral data
in time-sensitive data collection, such as $\textit{in situ}$ characterization
of materials. However, canonical NMF methods are optimized to reconstruct a
full dataset as closely as possible, with no underlying requirement that the
reconstruction produces components or weights representative of the true
physical processes. In this work, we demonstrate how constraining NMF weights
or components, provided as known or assumed priors, can provide significant
improvement in revealing true underlying phenomena. We present a PyTorch based
method for efficiently applying constrained NMF and demonstrate this on several
synthetic examples. When applied to streaming experimentally measured spectral
data, an expert researcher-in-the-loop can provide and dynamically adjust the
constraints. This set of interactive priors to the NMF model can, for example,
contain known or identified independent components, as well as functional
expectations about the mixing of components. We demonstrate this application on
measured X-ray diffraction and pair distribution function data from $\textit{in
situ}$ beamline experiments. Details of the method are described, and general
guidance provided to employ constrained NMF in extraction of critical
information and insights during $\textit{in situ}$ and high-throughput
experiments.
- Abstract（参考訳）: 非負行列ファクトリゼーション(NMF)法は、時間に敏感なデータ収集におけるストリーミングスペクトルデータをリアルタイムに解析するための魅力的な教師なし学習法を提供する。
しかし、canonical nmfメソッドは、真の物理的プロセスを表すコンポーネントや重みを生成するという基本的な要件もなく、可能な限り密接にデータセットを再構築するように最適化されている。
本研究では,NMFの重みや成分の制約が,真に基礎となる現象を明らかにする上で,いかに顕著な改善をもたらすかを示す。
制約付きNMFを効率的に適用するためのPyTorch法を提案し,これをいくつかの合成例で示す。
実験的に測定されたスペクトルデータに適用すると、エキスパート研究者が制約を提供し、動的に調整することができる。
NMFモデルのこのインタラクティブな事前セットは、例えば、既知のまたは特定された独立したコンポーネントと、コンポーネントの混合に関する機能的な期待を含むことができる。
本論文は,$\textit{in situ}$ビームライン実験によるx線回折および対分布関数データに適用する。
本手法の詳細を述べるとともに,$\textit{in situ}$ およびhigh-throughput 実験における重要な情報と洞察の抽出に制約のあるnmfを用いるための一般指導を行った。
関連論文リスト
- Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。
本研究では,コセプタブルコアを選択するための交互選択法を提案する。
その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
論文 参考訳（メタデータ） (2024-01-30T09:22:37Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳（メタデータ） (2023-06-01T17:36:13Z) - 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) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文 参考訳（メタデータ） (2021-07-30T16:02:15Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。
本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。
通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文 参考訳（メタデータ） (2021-03-24T21:08:43Z) - Hyperspectral Unmixing via Nonnegative Matrix Factorization with
Handcrafted and Learnt Priors [14.032039261229853]
ハンドクラフト・レギュレータと学習用レギュレータをデータから併用したNMFベースのアンミックス・フレームワークを提案する。
我々は,様々な画像デノイザを用いて,関連するサブプロブレムに対処可能なアブリダンスの学習先行をプラグインする。
論文 参考訳（メタデータ） (2020-10-09T14:40:20Z) - Blind Source Separation for NMR Spectra with Negative Intensity [0.0]
我々は、負の強度を含むNMRスペクトル分析のためのブラインド音源分離手法をベンチマークした。
FastICA、SIMPLISMA、NNMFは最高のパフォーマンス技術である。
FastICAとSIMPLISMAの精度は、過剰な(非現実的な)純粋なコンポーネントが予測されると急速に低下する。
論文 参考訳（メタデータ） (2020-02-07T20:57:48Z)
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。