論文の概要: Extreme Learning Machine for the Characterization of Anomalous Diffusion
from Single Trajectories
- arxiv url: http://arxiv.org/abs/2105.02597v1
- Date: Thu, 6 May 2021 11:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 13:15:47.846332
- Title: Extreme Learning Machine for the Characterization of Anomalous Diffusion
from Single Trajectories
- Title（参考訳）: 単一軌道からの異常拡散のキャラクタリゼーションのためのエクストリーム・ラーニング・マシン
- Authors: Carlo Manzo
- Abstract要約: エクストリームラーニングマシンとフィーチャーエンジニアリング(AnDi-ELM)を組み合わせることで、AnDiチャレンジのタスクに取り組むためのシンプルなアプローチを説明します。
この手法は,計算資源に制限のある簡単な実装と高速な訓練時間を提供しながら,良好な性能を達成する。
- 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: The study of the dynamics of natural and artificial systems has provided
several examples of deviations from Brownian behavior, generally defined as
anomalous diffusion. The investigation of these dynamics can provide a better
understanding of diffusing objects and their surrounding media, but a
quantitative characterization from individual trajectories is often
challenging. Efforts devoted to improving anomalous diffusion detection using
classical statistics and machine learning have produced several new methods.
Recently, the anomalous diffusion challenge (AnDi,
https://www.andi-challenge.org) was launched to objectively assess these
approaches on a common dataset, focusing on three aspects of anomalous
diffusion: the inference of the anomalous diffusion exponent; the
classification of the diffusion model; and the segmentation of trajectories. In
this article, I describe a simple approach to tackle the tasks of the AnDi
challenge by combining extreme learning machine and feature engineering
(AnDi-ELM). The method reaches satisfactory performance while offering a
straightforward implementation and fast training time with limited computing
resources, making a suitable tool for fast preliminary screening.
- Abstract（参考訳）: 自然系と人工系の力学の研究は、一般に異常拡散として定義されるブラウン挙動からの逸脱のいくつかの例を提供した。
これらの動力学の研究は、拡散する物体とその周囲の媒体をよりよく理解するが、個々の軌道からの定量的な特徴付けはしばしば困難である。
古典統計学と機械学習を用いた異常拡散検出の改善のための取り組みは、いくつかの新しい方法を生み出している。
最近では, 異常拡散指数の推定, 拡散モデルの分類, 軌道の分割という, 異常拡散の3つの側面に焦点をあてて, 共通のデータセット上でこれらのアプローチを客観的に評価するために, 異常拡散チャレンジ (AnDi, https://www.andi-challenge.org) が導入された。
本稿では、極端な学習機械と特徴工学(AnDi-ELM)を組み合わせることで、AnDiチャレンジの課題に取り組むための簡単なアプローチについて述べる。
本手法は,計算資源に制限のある簡単な実装と高速な訓練時間を提供しながら,良好な性能を達成する。
関連論文リスト
- Exploring how deep learning decodes anomalous diffusion via Grad-CAM [2.048226951354646]
本研究では,説明可能なAI,すなわちGrad-Class Activation Map(Grad-CAM)の実現を目的とした,十分に実装された手法を用いる。
以上の結果から,Grad-CAMは異常拡散のメカニズムについて重要な情報を保持する軌跡の一部を明らかにした。
論文 参考訳（メタデータ） (2024-10-21T13:17:49Z) - A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。
逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
論文 参考訳（メタデータ） (2024-09-30T17:34:01Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳（メタデータ） (2024-01-17T07:58:18Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - Gramian Angular Fields for leveraging pretrained computer vision models
with anomalous diffusion trajectories [0.9012198585960443]
拡散軌跡を扱うための新しいデータ駆動手法を提案する。
この方法はグラミアン角場(GAF)を用いて1次元軌跡を画像として符号化する。
我々は、ResNetとMobileNetという、よく訓練された2つのコンピュータビジョンモデルを利用して、基礎となる拡散体制を特徴づける。
論文 参考訳（メタデータ） (2023-09-02T17:22:45Z) - 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) - CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion
Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。
本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。
カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文 参考訳（メタデータ） (2023-05-29T07:49:44Z) - 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) - WaveNet-Based Deep Neural Networks for the Characterization of Anomalous
Diffusion (WADNet) [0.0]
異常拡散は物理的、化学的、生物学的、経済的システムの進化に関与している。
この課題は,単一軌跡評価のための新しいアプローチを客観的に評価し,比較することを目的としている。
We developed a WaveNet-based Deep Neural Network (WADNet) by using a modified WaveNet encoder with long short-term memory network。
論文 参考訳（メタデータ） (2021-06-14T19:41:15Z)
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。