論文の概要: Deep learning of nanopore sensing signals using a bi-path network

• arxiv url: http://arxiv.org/abs/2105.03660v1
• Date: Sat, 8 May 2021 10:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 14:27:42.323892
• Title: Deep learning of nanopore sensing signals using a bi-path network
• Title（参考訳）: バイパスネットワークを用いたナノホールセンシング信号の深層学習
• Authors: Dario Dematties, Chenyu Wen, Mauricio David P\'erez, Dian Zhou, Shi-Li Zhang
• Abstract要約: 双方向ネットワーク(B-Net)に基づく特徴抽出にディープラーニングを用いる b−netは、信号対雑音比1のデータを処理することができる。 開発したB-Netはパルスナノ極電流を超えるパルス様信号のジェネリックです。
• 参考スコア（独自算出の注目度）: 2.365787390596455
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Temporary changes in electrical resistance of a nanopore sensor caused by translocating target analytes are recorded as a sequence of pulses on current traces. Prevalent algorithms for feature extraction in pulse-like signals lack objectivity because empirical amplitude thresholds are user-defined to single out the pulses from the noisy background. Here, we use deep learning for feature extraction based on a bi-path network (B-Net). After training, the B-Net acquires the prototypical pulses and the ability of both pulse recognition and feature extraction without a priori assigned parameters. The B-Net performance is evaluated on generated datasets and further applied to experimental data of DNA and protein translocation. The B-Net results show remarkably small relative errors and stable trends. The B-Net is further shown capable of processing data with a signal-to-noise ratio equal to one, an impossibility for threshold-based algorithms. The developed B-Net is generic for pulse-like signals beyond pulsed nanopore currents.
• Abstract（参考訳）: ターゲットアナライト転位によるナノ孔センサの電気抵抗の一時的な変化を電流跡のパルス列として記録する。 パルス様信号の特徴抽出アルゴリズムは、経験的振幅閾値がノイズ背景からパルスを抽出するためにユーザ定義されているため、客観性に欠ける。 本稿では,双方向ネットワーク(B-Net)に基づく特徴抽出にディープラーニングを用いる。 トレーニング後、B-Netはプリミティブパラメータを指定せずに、原型パルスとパルス認識と特徴抽出の両方の能力を取得する。 B-Netの性能は生成されたデータセット上で評価され、さらにDNAとタンパク質のトランスロケーションの実験データに適用される。 B-Netの結果は比較的小さな相対誤差と安定した傾向を示した。 さらに、B-Netは1と等しい信号対雑音比でデータを処理でき、しきい値ベースのアルゴリズムでは不可能である。 開発されたb-netはパルスナノホール電流以外のパルス状信号に汎用的である。

関連論文リスト

• Using deep neural networks to detect non-analytically defined expert event labels in canoe sprint force sensor signals [3.1446633690603356]
  本稿では、パドルストロークイベントを自動的に予測する能力の観点から、畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)について検討する。 以上の結果から,双方向ゲート再帰単位(BGRU)に基づくRNNがパドルストローク検出に最も適したモデルであることが判明した。
  論文  参考訳（メタデータ） (2024-07-11T10:59:11Z)
• Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
  本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。 次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T10:08:34Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• DeepSNR: A deep learning foundation for offline gravitational wave detection [0.0]
  本稿では,Deep Learning Signal-to-Noise Ratio(DeepSNR)検出パイプラインを提案する。 DeepSNRの性能は、最初の観測結果から開放されたLIGOデータにおいて、二元ブラックホール融合候補とノイズ源とを識別することによって実証される。 その結果、より広い文脈で重力波や希少信号の科学的発見にDeepSNRが使われる方法が明らかにされた。
  論文  参考訳（メタデータ） (2022-07-11T10:18:33Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Performance Bounds for Neural Network Estimators: Applications in Fault Detection [2.388501293246858]
  ニューラルネットワークの堅牢性を定量化し,モデルに基づく異常検知器の構築とチューニングを行った。 チューニングでは,通常動作で想定される誤報発生率の上限を具体的に提示する。
  論文  参考訳（メタデータ） (2021-03-22T19:23:08Z)
• Multi-Sample Online Learning for Spiking Neural Networks based on Generalized Expectation Maximization [42.125394498649015]
  スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。 本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。 鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
  論文  参考訳（メタデータ） (2021-02-05T16:39:42Z)
• T-WaveNet: Tree-Structured Wavelet Neural Network for Sensor-Based Time Series Analysis [9.449017120452675]
  センサデータ解析のための新しい木構造ウェーブレットニューラルネットワークである emphT-WaveNet を提案する。 T-WaveNetは、センサ情報を既存の技術よりも効果的に表現し、様々なセンサデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-12-10T05:07:28Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。