論文の概要: Efficient recurrent neural network methods for anomalously diffusing
single particle short and noisy trajectories
- arxiv url: http://arxiv.org/abs/2108.02834v1
- Date: Thu, 5 Aug 2021 20:04:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-09 14:28:41.313726
- Title: Efficient recurrent neural network methods for anomalously diffusing
single particle short and noisy trajectories
- Title（参考訳）: 単粒子短波・雑音軌跡を均一に拡散する効率的なリカレントニューラルネットワーク法
- Authors: \`Oscar Garibo i Orts, Miguel A. Garcia-March, J. Alberto Conejero
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.08594140167290096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomalous diffusion occurs at very different scales in nature, from atomic
systems to motions in cell organelles, biological tissues or ecology, and also
in artificial materials, such as cement. Being able to accurately measure the
anomalous exponent associated with a given particle trajectory, thus
determining whether the particle subdiffuses, superdiffuses or performs normal
diffusion is of key importance to understand the diffusion process. Also, it is
often important to trustingly identify the model behind the trajectory, as this
gives a large amount of information on the system dynamics. Both aspects are
particularly difficult when the input data are short and noisy trajectories. It
is even more difficult if one cannot guarantee that the trajectories output in
experiments is homogeneous, hindering the statistical methods based on
ensembles of trajectories. We present a data-driven method able to infer the
anomalous exponent and to identify the type of anomalous diffusion process
behind single, noisy and short trajectories, with good accuracy. This model was
used in our participation in the Anomalous Diffusion (AnDi) Challenge. A
combination of convolutional and recurrent neural networks were used to achieve
state-of-the-art results when compared to methods participating in the AnDi
Challenge, ranking top 4 in both classification and diffusion exponent
regression.
- Abstract（参考訳）: 異常拡散は、原子システムから細胞小器官、生物学的組織、生態学、およびセメントなどの人工材料における運動まで、自然界において非常に異なるスケールで起こる。
与えられた粒子軌道に付随する異常指数を正確に測定できるため、粒子が拡散過程を理解する上では、粒子のサブディフュース、スーパーディフュース、または正常拡散を行うかが重要となる。
また、システムダイナミクスに関する大量の情報を提供するため、軌跡の背後にあるモデルを信頼して識別することがしばしば重要である。
入力データが短くノイズの多い軌跡である場合、どちらの面も特に困難である。
実験で出力される軌跡が均質であることを保証することができなければさらに困難であり、軌跡のアンサンブルに基づく統計的方法を妨げる。
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精度良く同定できるデータ駆動手法を提案する。
このモデルは、Anomalous Diffusion (AnDi) Challengeへの参加に使用された。
畳み込みニューラルネットワークとリカレントニューラルネットワークの組み合わせを用いて,andiチャレンジに参加する手法と比較し,分類と拡散指数回帰の両方において上位4位となった。
関連論文リスト
- Diffusion-based inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [50.38638300332429]
フラクショナルブラウン軌道 (fBm) はランダム性と強いスケール自由相関を特徴とする。
ここでは,fBmの不完全距離行列に対応する劣化した画像の特定のデータセット上で,様々なメモリ指数において拡散確率モデルを検証した。
条件拡散生成は、fBm分布距離の統計を、異なる値の$H$指数で安定に再現する。
論文 参考訳（メタデータ） (2024-04-10T14:22:16Z) - Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization [10.011338977476804]
単一スナップショット観測によるマルチソースのローカライゼーションは、その頻度が原因で特に重要となる。
現在の方法は典型的には欲求選択を利用しており、通常は1つの拡散モデルと結合する。
そこで本研究では,BOSouLというシミュレーション手法を用いて,サンプル効率を近似する手法を提案する。
論文 参考訳（メタデータ） (2024-03-25T14:46:24Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in
Influence Estimation [58.20016784231991]
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) - 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) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2022-06-10T15:09:46Z) - Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。
フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。
我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文 参考訳（メタデータ） (2022-06-05T20:45:01Z) - 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) - 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) - 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)
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。