論文の概要: Fast fluorescence lifetime imaging analysis via extreme learning machine

• arxiv url: http://arxiv.org/abs/2203.13754v1
• Date: Fri, 25 Mar 2022 16:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 15:22:53.191852
• Title: Fast fluorescence lifetime imaging analysis via extreme learning machine
• Title（参考訳）: 極端学習機械による高速蛍光寿命画像解析
• Authors: Zhenya Zang, Dong Xiao, Quan Wang, Zinuo Li, Wujun Xie, Yu Chen, David Day Uei Li
• Abstract要約: 極端学習機械(ELM)を用いた蛍光寿命顕微鏡(FLIM)の高速かつ正確な解析法を提案する。 その結果,ELMは低光子条件でも高い忠実度が得られることがわかった。
• 参考スコア（独自算出の注目度）: 7.7721777809498676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a fast and accurate analytical method for fluorescence lifetime imaging microscopy (FLIM) using the extreme learning machine (ELM). We used extensive metrics to evaluate ELM and existing algorithms. First, we compared these algorithms using synthetic datasets. Results indicate that ELM can obtain higher fidelity, even in low-photon conditions. Afterwards, we used ELM to retrieve lifetime components from human prostate cancer cells loaded with gold nanosensors, showing that ELM also outperforms the iterative fitting and non-fitting algorithms. By comparing ELM with a computational efficient neural network, ELM achieves comparable accuracy with less training and inference time. As there is no back-propagation process for ELM during the training phase, the training speed is much higher than existing neural network approaches. The proposed strategy is promising for edge computing with online training.
• Abstract（参考訳）: 本稿ではextreme learning machine(elm)を用いた蛍光寿命イメージング顕微鏡(flim)の高速・高精度解析法を提案する。 ELMと既存のアルゴリズムを評価するために、広範囲のメトリクスを使用した。 まず,これらのアルゴリズムを合成データセットを用いて比較した。 その結果,ELMは低光子条件でも高い忠実度が得られることがわかった。 その後,金ナノセンサを装着したヒト前立腺癌細胞から終生成分を抽出し,EMMが反復的適合性および非適合性アルゴリズムよりも優れていることを示した。 ELMと計算効率のよいニューラルネットワークを比較することで、EMMはトレーニングや推論時間が少なく、同等の精度を達成できる。 トレーニングフェーズ中にEMMのバックプロパゲーションプロセスがないため、トレーニング速度は既存のニューラルネットワークアプローチよりもはるかに高い。 提案された戦略は、オンライントレーニングによるエッジコンピューティングを約束する。

関連論文リスト

• Extreme Learning Machines for Fast Training of Click-Through Rate Prediction Models [0.0]
  Extreme Learning Machines (ELM)は、ニューラルネットワークにおける従来の勾配に基づく学習の高速な代替手段を提供する。 クリックスルーレート(CTR)予測におけるEMMの適用について検討する。 我々は,CTRタスクの性能向上のために,埋め込み層により拡張されたEMMベースのモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-25T13:50:00Z)
• Fast Cerebral Blood Flow Analysis via Extreme Learning Machine [4.373558495838564]
  拡散相関分光法(DCS)を用いた高速かつ高精度な脳血流解析手法を提案する。 半無限層モデルと多層モデルの両方に対する合成データセットを用いて既存のアルゴリズムを評価する。 その結果、ELMは様々なノイズレベルや光学パラメータにわたって高い忠実度を連続的に達成し、堅牢な一般化能力を示し、反復整合アルゴリズムより優れることを示した。
  論文  参考訳（メタデータ） (2024-01-10T23:01:35Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Fast and Accurate Reduced-Order Modeling of a MOOSE-based Additive Manufacturing Model with Operator Learning [1.4528756508275622]
  本研究は, 高速かつ高精度な減階モデル (ROM) を構築し, 加法製造 (AM) モデルを構築することを目的とする。 従来のディープニューラルネットワーク(DNN)ベースのROMに対して,これらのOL法の性能をベンチマークした。
  論文  参考訳（メタデータ） (2023-08-04T17:00:34Z)
• HOAX: A Hyperparameter Optimization Algorithm Explorer for Neural Networks [0.0]
  光誘起過程を研究するための軌道に基づく手法のボトルネックは、今でも膨大な数の電子構造計算である。 本稿では,人工知能の領域から借用した機械学習アルゴリズムと手法を用いることにより,電子構造計算の量を劇的に削減する革新的なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-02-01T11:12:35Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Can we learn gradients by Hamiltonian Neural Networks? [68.8204255655161]
  本稿では,勾配を学習するODEニューラルネットワークに基づくメタラーナを提案する。 提案手法は,LLUアクティベーションを最適化したMLMとMNISTデータセットにおいて,LSTMに基づくメタラーナーよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-31T18:35:10Z)
• Learning Neural Network Quantum States with the Linear Method [0.0]
  本手法は,複雑な値を持つニューラルネットワーク量子状態の最適化に有効であることを示す。 我々は、LMを最先端のSRアルゴリズムと比較し、LMが収束のために最大で1桁の繰り返しを必要とすることを発見した。
  論文  参考訳（メタデータ） (2021-04-22T12:18:33Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。