論文の概要: WaveNet-Based Deep Neural Networks for the Characterization of Anomalous
Diffusion (WADNet)
- arxiv url: http://arxiv.org/abs/2106.08887v1
- Date: Mon, 14 Jun 2021 19:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:06:10.512224
- Title: WaveNet-Based Deep Neural Networks for the Characterization of Anomalous
Diffusion (WADNet)
- Title（参考訳）: WaveNet-based Deep Neural Networks for the Characteristics of Anomalous Diffusion (WADNet)
- Authors: Dezhong Li, Qiujin Yao, Zihan Huang
- Abstract要約: 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。
- 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: Anomalous diffusion, which shows a deviation of transport dynamics from the
framework of standard Brownian motion, is involved in the evolution of various
physical, chemical, biological, and economic systems. The study of such random
processes is of fundamental importance in unveiling the physical properties of
random walkers and complex systems. However, classical methods to characterize
anomalous diffusion are often disqualified for individual short trajectories,
leading to the launch of the Anomalous Diffusion (AnDi) Challenge. This
challenge aims at objectively assessing and comparing new approaches for single
trajectory characterization, with respect to three different aspects: the
inference of the anomalous diffusion exponent; the classification of the
diffusion model; and the segmentation of trajectories. In this article, to
address the inference and classification tasks in the challenge, we develop a
WaveNet-based deep neural network (WADNet) by combining a modified WaveNet
encoder with long short-term memory networks, without any prior knowledge of
anomalous diffusion. As the performance of our model has surpassed the current
1st places in the challenge leaderboard on both two tasks for all dimensions (6
subtasks), WADNet could be the part of state-of-the-art techniques to decode
the AnDi database. Our method presents a benchmark for future research, and
could accelerate the development of a versatile tool for the characterization
of anomalous diffusion.
- Abstract（参考訳）: 標準的なブラウン運動の枠組みから輸送力学の偏りを示す異常拡散は、様々な物理的、化学的、生物学的、経済的システムの進化に関与している。
このようなランダムな過程の研究は、ランダムなウォーカーや複素系の物理的性質を明らかにする上で重要なものである。
しかし、異常拡散を特徴付ける古典的な方法は、個々の短い軌道に対して不適格であり、異常拡散(andi)チャレンジの開始に繋がる。
この課題は, 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3つの異なる側面において, 単一軌道特性に対する新しいアプローチを客観的に評価・比較することを目的としている。
本稿では、この課題における推論と分類の課題に対処するため、修正されたWaveNetエンコーダと長い短期記憶ネットワークを組み合わせたWaveNetベースのディープニューラルネットワーク(WADNet)を開発した。
我々のモデルの性能は、すべての次元の2つのタスク(6つのサブタスク)において、現在のリーダーボードの1位を超えているため、WADNetはAnDiデータベースをデコードするための最先端技術の一部である可能性がある。
提案手法は将来の研究のためのベンチマークを示し, 異常拡散特性評価のための汎用ツールの開発を加速させる。
関連論文リスト
- Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T05:03:00Z) - Phasic Content Fusing Diffusion Model with Directional Distribution
Consistency for Few-Shot Model Adaption [73.98706049140098]
本稿では,方向分布の整合性を損なう少数ショット拡散モデルを用いた新しいファシックコンテンツを提案する。
具体的には、ファシックコンテンツ融合を用いたファシックトレーニング戦略を設計し、tが大きければ、モデルがコンテンツやスタイル情報を学ぶのに役立てる。
最後に、ドメイン適応時の構造整合性を高めるクロスドメイン構造ガイダンス戦略を提案する。
論文 参考訳（メタデータ） (2023-09-07T14:14:11Z) - 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) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳（メタデータ） (2022-06-29T19:03:10Z) - Asymptotic-Preserving Neural Networks for multiscale hyperbolic models
of epidemic spread [0.0]
多くの状況において、感染症の空間的伝播は、多スケールのPDEによって管理される異なるスケールの個体の動きによって特徴づけられる。
複数のスケールが存在する場合、PINNの直接適用は一般的に、ニューラルネットワークの損失関数における微分モデルのマルチスケールの性質のため、結果の低下につながる。
本稿では,パンデミック拡散のマルチスケール多代謝輸送モデルのための新しいAPニューラルネットワーク(APNN)について考察する。
論文 参考訳（メタデータ） (2022-06-25T11:25:47Z) - 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) - Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。
本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。
構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文 参考訳（メタデータ） (2021-05-07T10:42:59Z) - Extreme Learning Machine for the Characterization of Anomalous Diffusion
from Single Trajectories [0.0]
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。
論文 参考訳（メタデータ） (2021-05-06T11:56:27Z) - F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。
ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。
F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文 参考訳（メタデータ） (2020-11-09T19:55:40Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。