論文の概要: PARAFAC2$\times$N: Coupled Decomposition of Multi-modal Data with Drift
in N Modes
- arxiv url: http://arxiv.org/abs/2205.03501v1
- Date: Fri, 6 May 2022 23:22:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 17:33:43.560799
- Title: PARAFAC2$\times$N: Coupled Decomposition of Multi-modal Data with Drift
in N Modes
- Title（参考訳）: PARAFAC2$\times$N:Nモードにおけるドリフトを伴う多重モードデータの結合分解
- Authors: Michael D. Sorochan Armstrong, Jesper L{\o}ve Hinrich, A. Paulina de
la Mata, James J. Harynuk
- Abstract要約: 複数のサンプルに対して、GC$times$GC-TOFMSデータは、I質量スペクトル取得、J質量チャネル、K変調、Lサンプルの4位として表される。
クロマトグラフィードリフトは、第1次元(変調)と第2次元(質量スペクトル取得)の両方で一般的である
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliable analysis of comprehensive two-dimensional gas chromatography -
time-of-flight mass spectrometry (GC$\times$GC-TOFMS) data is considered to be
a major bottleneck for its widespread application. For multiple samples,
GC$\times$GC-TOFMS data for specific chromatographic regions manifests as a 4th
order tensor of I mass spectral acquisitions, J mass channels, K modulations,
and L samples. Chromatographic drift is common along both the first-dimension
(modulations), and along the second-dimension (mass spectral acquisitions),
while drift along the mass channel and sample dimensions is for all practical
purposes nonexistent. A number of solutions to handling GC$\times$GC-TOFMS data
have been proposed: these involve reshaping the data to make it amenable to
either 2nd order decomposition techniques based on Multivariate Curve
Resolution (MCR), or 3rd order decomposition techniques such as Parallel Factor
Analysis 2 (PARAFAC2). PARAFAC2 has been utilised to model chromatographic
drift along one mode, which has enabled its use for robust decomposition of
multiple GC-MS experiments. Although extensible, it is not straightforward to
implement a PARAFAC2 model that accounts for drift along multiple modes. In
this submission, we demonstrate a new approach and a general theory for
modelling data with drift along multiple modes, for applications in
multidimensional chromatography with multivariate detection.
- Abstract（参考訳）: 包括的2次元ガスクロマトグラフィー-飛行時質量分析法(GC$\times$GC-TOFMS)の信頼性解析は、その広範な応用において大きなボトルネックであると考えられている。
複数のサンプルに対して、GC$\times$GC-TOFMSデータは、I質量スペクトル取得の4次テンソル、J質量チャネル、K変調、Lサンプルとして表される。
クロマトグラフィードリフトは、第1次元(変調)と第2次元(質量スペクトル取得)の両方に共通であるが、質量チャネルとサンプル次元に沿ってドリフトは、あらゆる実用的目的のために存在しない。
GC$\times$GC-TOFMSデータを扱うための多くのソリューションが提案されている。これは、多変量曲線分解法(MCR)に基づく2次分解技術とパラレル因子解析法(PARAFAC2)のような3次分解技術のいずれかにデータを変換することである。
PARAFAC2は1つのモードに沿ってクロマトグラフィードリフトをモデル化するために利用され、複数のGC-MS実験の堅牢な分解に利用できるようになった。
拡張性はあるものの、複数のモードに沿ってドリフトするPARAFAC2モデルを実装するのは簡単ではない。
本稿では,多変量検出を用いた多次元クロマトグラフィーにおいて,複数のモードに沿ってドリフトするデータをモデル化するための新しいアプローチと一般理論を示す。
関連論文リスト
- Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。
この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
論文 参考訳（メタデータ） (2024-11-26T15:35:44Z) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳（メタデータ） (2024-01-31T09:31:28Z) - Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。
MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。
モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文 参考訳（メタデータ） (2023-08-29T15:01:01Z) - Convolutional Filtering on Sampled Manifolds [122.06927400759021]
サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。
本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
論文 参考訳（メタデータ） (2022-11-20T19:09:50Z) - Untargeted Region of Interest Selection for GC-MS Data using a Pseudo
F-Ratio Moving Window ($\psi$FRMV) [0.0]
本稿では,GC-MSデータにおける関心領域の自動選択手法を提案する。
これは、クロマトグラムを横切るウィンドウの特異値分解から得られる正方形第一値と第二特異値の比に基づいている。
アルゴリズムの感度は、信号を含むクロマトグラフィー領域をもはや取り出すことができない濃度を調べることで検証された。
論文 参考訳（メタデータ） (2022-07-30T21:43:05Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - Cross-Modal and Multimodal Data Analysis Based on Functional Mapping of
Spectral Descriptors and Manifold Regularization [21.06669693699965]
本研究は2つの新しいマルチモーダルモデリング手法を提案する。
第1の方法は、異種データに対するマルチモーダル情報問題に対処する汎用分析フレームワークを確立する。
第2の方法は、点対応に基づく多様体正規化マルチモーダル分類である。
論文 参考訳（メタデータ） (2021-05-12T13:00:33Z) - Identification of complex mixtures for Raman spectroscopy using a novel
scheme based on a new multi-label deep neural network [0.0]
本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。
次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。
本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
論文 参考訳（メタデータ） (2020-10-29T14:58:39Z) - Peak Detection On Data Independent Acquisition Mass Spectrometry Data
With Semisupervised Convolutional Transformers [0.0]
質量分析法(LC-MS)に結合した液体クロマトグラフィーは、プロテオームの高スループットで定量的な測定に一般的に用いられている。
本稿では,このピーク検出問題を多変量時系列分割問題として定式化し,トランスフォーマーアーキテクチャに基づく新しいアプローチを提案する。
ここでは、畳み込みニューラルネットワーク(CNN)を用いて、グローバルビューで長距離依存関係をキャプチャ可能なトランスフォーマーを拡大する。
我々は,このモデルを,多チャンネル時系列データに対する技術半教師付き画像分類手法の状況に適応させることで,半教師付き方式でさらに訓練する。
論文 参考訳（メタデータ） (2020-10-26T18:55:27Z) - Ensemble Model with Batch Spectral Regularization and Data Blending for
Cross-Domain Few-Shot Learning with Unlabeled Data [75.94147344921355]
多様な特徴変換行列を用いてマルチブランチアンサンブルフレームワークを構築する。
本研究では,未ラベルデータを利用したデータブレンディング手法を提案し,対象領域におけるスパースサポートを増強する。
論文 参考訳（メタデータ） (2020-06-08T02:27:34Z) - D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis
for Multi-view High-dimensional Data [11.184915338554422]
高次元多視点データ分析における一般的なモデルは、各ビューのデータ行列を、すべてのデータビューに共通する潜在因子によって生成される低ランクの共通ソース行列に分解する。
本稿では,分解に基づく一般化正準相関解析(D-GCCA)と呼ばれる新しい分解法を提案する。
我々のD-GCCAは、共通成分と特異成分を正準変数から分離することにより、一般化された正準相関解析よりも一歩前進する。
論文 参考訳（メタデータ） (2020-01-09T06:35:40Z)
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。