論文の概要: Reduction of detection limit and quantification uncertainty due to
interferent by neural classification with abstention
- arxiv url: http://arxiv.org/abs/2205.07609v1
- Date: Fri, 22 Apr 2022 18:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 12:14:00.831279
- Title: Reduction of detection limit and quantification uncertainty due to
interferent by neural classification with abstention
- Title(参考訳): 回避を伴う神経分類による干渉による検出限界と定量化の不確かさの低減
- Authors: Alex Hagen, Ken Jarman, Jesse Ward, Greg Eiden, Charles Barinaga,
Emily Mace, Craig Aalseth, Anthony Carado
- Abstract要約: 本稿では,検出限界や定量化の不確かさを抑えるための新しい禁制機構を提案する。
本手法は, ガス比例カウンタ内の非放射能事象からAr-37およびAr-39放射性崩壊を識別し, 無機シンチレータ内の光子から中性子を識別する。
- 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: Many measurements in the physical sciences can be cast as counting
experiments, where the number of occurrences of a physical phenomenon informs
the prevalence of the phenomenon's source. Often, detection of the physical
phenomenon (termed signal) is difficult to distinguish from naturally occurring
phenomena (termed background). In this case, the discrimination of signal
events from background can be performed using classifiers, and they may range
from simple, threshold-based classifiers to sophisticated neural networks.
These classifiers are often trained and validated to obtain optimal accuracy,
however we show that the optimal accuracy classifier does not generally
coincide with a classifier that provides the lowest detection limit, nor the
lowest quantification uncertainty. We present a derivation of the detection
limit and quantification uncertainty in the classifier-based counting
experiment case. We also present a novel abstention mechanism to minimize the
detection limit or quantification uncertainty \emph{a posteriori}. We
illustrate the method on two data sets from the physical sciences,
discriminating Ar-37 and Ar-39 radioactive decay from non-radioactive events in
a gas proportional counter, and discriminating neutrons from photons in an
inorganic scintillator and report results therefrom.
- Abstract(参考訳): 物理科学における多くの測定は、物理現象の発生回数が現象の源泉の発生率を知らせる、計数実験として用いられる。
しばしば、物理的現象(終末信号)の検出は自然発生の事象(終末背景)と区別することが困難である。
この場合、背景からの信号イベントの識別は分類器を使って行うことができ、単純なしきい値ベースの分類器から高度なニューラルネットワークまで様々である。
これらの分類器はしばしば最適な精度を得るために訓練され検証されるが、最適精度分類器は一般に最小検出限界を提供する分類器や最低量子化の不確かさと一致しない。
分類器を用いた計数実験における検出限界と定量化の不確かさの導出について述べる。
また,検出限界や定量化の不確かさを最小化するために,新しい禁制機構を提案する。
本稿では, ガス比例カウンタ内の非放射能事象からAr-37およびAr-39放射性崩壊を識別し, 無機シンチレータ内の光子から中性子を識別し, その結果を報告する。
関連論文リスト
- A Data-Driven Measure of Relative Uncertainty for Misclassification
Detection [25.947610541430013]
誤分類検出のための観測者に対して,不確実性に関するデータ駆動測度を導入する。
ソフト予測の分布パターンを学習することにより,不確実性を測定することができる。
複数の画像分類タスクに対する経験的改善を示し、最先端の誤分類検出方法より優れていることを示す。
論文 参考訳(メタデータ) (2023-06-02T17:32:03Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳(メタデータ) (2023-01-03T11:34:36Z) - Theoretical characterization of uncertainty in high-dimensional linear
classification [24.073221004661427]
本研究では,高次元入力データとラベルの限られたサンプル数から学習する不確実性が,近似メッセージパッシングアルゴリズムによって得られることを示す。
我々は,信頼度を適切に正則化することで緩和する方法について論じるとともに,損失に対するクロスバリデーションが0/1誤差よりもキャリブレーションが優れていることを示す。
論文 参考訳(メタデータ) (2022-02-07T15:32:07Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - A local hidden-variable model for experimental tests of the GHZ puzzle [0.0]
本稿では,振幅閾値検出に基づく物理的動機付き局所隠れ変数モデルについて述べる。
このモデルの興味深い特徴は、検出効率が測定のためにどの観測可能なものを選択するかによって異なることである。
論文 参考訳(メタデータ) (2021-04-27T20:48:16Z) - Prediction in the presence of response-dependent missing labels [28.932172873182115]
センサー技術の限界は ワイルドファイアデータに ラベルの欠落をもたらします
新しい手法と非ラベルアルゴリズムP(ositive) U(ccurrence) M(agnitude) M(ixture)を開発し、陽性サンプルの発生と検出の可能性を共同で推定します。
論文 参考訳(メタデータ) (2021-03-25T01:43:33Z) - Identifying nonclassicality from experimental data using artificial
neural networks [52.77024349608834]
ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。
光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
論文 参考訳(メタデータ) (2021-01-18T15:12:47Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳(メタデータ) (2020-06-28T13:49:30Z)
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。