論文の概要: Active learning in open experimental environments: selecting the right information channel(s) based on predictability in deep kernel learning

• arxiv url: http://arxiv.org/abs/2203.10181v1
• Date: Fri, 18 Mar 2022 22:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 19:27:14.941331
• Title: Active learning in open experimental environments: selecting the right information channel(s) based on predictability in deep kernel learning
• Title（参考訳）: オープン実験環境における能動的学習:深層学習における予測可能性に基づく適切な情報チャネルの選択
• Authors: Maxim Ziatdinov, Yongtao Liu, Sergei V. Kalinin
• Abstract要約: 実験研究における主要な課題は、これらのチャネルのどれが関心の行動を予測するかを確立することである。 ここでは、顕微鏡における構造-プロパティ関係の最適予測チャネルの発見問題について検討する。 このアプローチは、自動合成や分子系の定量的構造-活性関係の発見において、同様の能動的学習タスクに直接適用することができる。
• 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: Active learning methods are rapidly becoming the integral component of automated experiment workflows in imaging, materials synthesis, and computation. The distinctive aspect of many experimental scenarios is the presence of multiple information channels, including both the intrinsic modalities of the measurement system and the exogenous environment and noise signals. One of the key tasks in experimental studies is hence establishing which of these channels is predictive of the behaviors of interest. Here we explore the problem of discovery of the optimal predictive channel for structure-property relationships (in microscopy) using deep kernel learning for modality selection in an active experiment setting. We further pose that this approach can be directly applicable to similar active learning tasks in automated synthesis and the discovery of quantitative structure-activity relations in molecular systems.
• Abstract（参考訳）: アクティブな学習手法は、画像、材料合成、計算における自動実験ワークフローにおいて、急速に重要な要素になりつつある。 多くの実験シナリオの特徴的な特徴は、測定システムの固有のモダリティと、外部環境とノイズ信号の両方を含む複数の情報チャネルの存在である。 実験研究における重要な課題の1つは、これらのチャネルのどれが関心の行動を予測するかを確立することである。 本稿では, 深層カーネル学習を用いて, アクティブな実験環境下でのモーダリティ選択による構造・プロパティ関係(顕微鏡)の最適予測チャネルの発見について検討する。 さらに, この手法は, 自動合成や分子系の定量的構造活性相関の発見において, 類似の能動的学習タスクに直接適用可能であることを示す。

関連論文リスト

• A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments [8.780395483188242]
  ベイズ最適化アクティブレコメンデーションシステム(BOARS)によるループ実験ワークフローにおける新しいタイプの人間の開発について述べる。 この研究は、実験領域にわたるシステムの好奇心駆動的な探索に、人間の強化された機械学習アプローチの有用性を示す。
  論文  参考訳（メタデータ） (2023-04-05T14:54:34Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian Processes to Hypothesis Learning [0.0]
  ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。 これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
  論文  参考訳（メタデータ） (2022-05-30T23:01:41Z)
• Benchmarking Active Learning Strategies for Materials Optimization and Discovery [17.8738267360992]
  本稿では,様々な獲得関数の形で,アクティブな学習戦略をベンチマークするための参照データセットを提案する。 本稿では,アルゴリズムの性能,材料探索空間,複雑さ,事前知識の具体化との関係について論じる。
  論文  参考訳（メタデータ） (2022-04-12T14:27:33Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Ensemble learning and iterative training (ELIT) machine learning: applications towards uncertainty quantification and automated experiment in atom-resolved microscopy [0.0]
  深層学習は、画像の分野をまたいだ迅速な特徴抽出の技法として登場した。 本稿では,原子分解電子顕微鏡における特徴抽出における深層学習の応用について検討する。 このアプローチは、深層学習解析に不確実性をもたらし、また、画像条件の変化によるネットワークの再訓練が人間のオペレータやアンサンブルからのネットワークの選択に代えて、分散のずれを補うための自動実験的検出を可能にする。
  論文  参考訳（メタデータ） (2021-01-21T05:29:26Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Identifying Learning Rules From Neural Network Observables [26.96375335939315]
  学習ルールの異なるクラスは、重み、アクティベーション、即時的な階層的活動変化の集計統計に基づいてのみ分離可能であることを示す。 本研究は, シナプス後活動の電気生理学的記録から得られる活性化パターンが, 学習規則の同定に有効であることを示すものである。
  論文  参考訳（メタデータ） (2020-10-22T14:36:54Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。