論文の概要: Extensive Study of Multiple Deep Neural Networks for Complex Random Telegraph Signals

• arxiv url: http://arxiv.org/abs/2206.00086v1
• Date: Tue, 31 May 2022 19:55:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 13:37:11.271137
• Title: Extensive Study of Multiple Deep Neural Networks for Complex Random Telegraph Signals
• Title（参考訳）: 複雑なランダム電信信号のための多重ディープニューラルネットワークの大規模研究
• Authors: Marcel Robitaille, HeeBong Yang, Lu Wang, Na Young Kim
• Abstract要約: ランダム電信信号(英: Random Telegraph signal、RTS)は、単一粒子の動きから2つの離散レベルの間の一連の瞬間的な切替イベントを指す。 我々のプロトコルは、複雑なRTSを定量化するための構造化スキームを提供し、そこから意味のある解釈と推論が導出できる。
• 参考スコア（独自算出の注目度）: 7.7366675278120605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-fluctuating signals are ubiquitous and diverse in many physical, chemical, and biological systems, among which random telegraph signals (RTSs) refer to a series of instantaneous switching events between two discrete levels from single-particle movements. Reliable RTS analyses are crucial prerequisite to identify underlying mechanisms related to performance sensitivity. When numerous levels partake, complex patterns of multilevel RTSs occur, making their quantitative analysis exponentially difficult, hereby systematic approaches are found elusive. Here, we present a three-step analysis protocol via progressive knowledge-transfer, where the outputs of early step are passed onto a subsequent step. Especially, to quantify complex RTSs, we build three deep neural network architectures that can process temporal data well and demonstrate the model accuracy extensively with a large dataset of different RTS types affected by controlling background noise size. Our protocol offers structured schemes to quantify complex RTSs from which meaningful interpretation and inference can ensue.
• Abstract（参考訳）: 時間変動信号は、多くの物理的、化学的、生物学的システムにおいてユビキタスで多様であり、ランダム電信信号(RTS)は、単一粒子運動から2つの離散レベルの間の一連の瞬間的な切替イベントを指す。 信頼性の高いRTS分析は、性能感受性に関連するメカニズムを特定するための重要な前提条件である。 多数のレベルが組み合わさると、多レベルRTSの複雑なパターンが発生し、定量分析が指数関数的に困難になる。 本稿では,進化的知識伝達による3段階解析プロトコルを提案し,初期段階の出力を次のステップに渡す。 特に、複雑なRTSを定量化するために、時間的データを適切に処理し、背景雑音の大きさを制御することで影響を受ける様々なRTSタイプのデータセットでモデル精度を広範囲に示すことができる3つのディープニューラルネットワークアーキテクチャを構築します。 我々のプロトコルは、複雑なRTSを定量化するための構造化スキームを提供する。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• MTSA-SNN: A Multi-modal Time Series Analysis Model Based on Spiking Neural Network [23.303230721723278]
  スパイキングニューラルネットワーク(MTSA-SNN)に基づくマルチモーダル時系列解析モデルを提案する。 パルスは、時間画像とシーケンシャル情報の符号化を共通のパルスベース表現で統一する。 本研究では、ウェーブレット変換操作を導入し、時間的情報を分析し評価するモデルの能力を高める。
  論文  参考訳（メタデータ） (2024-02-08T05:39:11Z)
• Multi-stage Factorized Spatio-Temporal Representation for RGB-D Action and Gesture Recognition [30.975823858419965]
  我々は、RGB-Dアクションとジェスチャー認識のためのMFST(Multi-stage Factorized-Trans)と呼ばれる革新的なアーキテクチャを提案する。 MFSTモデルは、3次元差分コンステム(CDC-Stem)モジュールと複数の分解時間段階から構成される。
  論文  参考訳（メタデータ） (2023-08-23T08:49:43Z)
• Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
  本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。 本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
  論文  参考訳（メタデータ） (2021-06-05T03:57:41Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• Modulation Pattern Detection Using Complex Convolutions in Deep Learning [0.0]
  ノイズやチャネル障害が信号に影響を与えるため、変調パターンの分類は困難である。 我々は、一連の畳み込みニューラルネットワークアーキテクチャにおける複雑な畳み込みの実装と利用について研究する。
  論文  参考訳（メタデータ） (2020-10-14T02:43:11Z)
• Searching Multi-Rate and Multi-Modal Temporal Enhanced Networks for Gesture Recognition [89.0152015268929]
  RGB-Dジェスチャ認識のための最初のニューラルアーキテクチャサーチ(NAS)手法を提案する。 提案手法は,1)3次元中央差分畳畳み込み(3D-CDC)ファミリーによる時間的表現の強化,および多モードレート分岐と横方向接続のための最適化されたバックボーンを含む。 結果として得られたマルチレートネットワークは、RGBと深さ変調と時間力学の関係を理解するための新しい視点を提供する。
  論文  参考訳（メタデータ） (2020-08-21T10:45:09Z)
• X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
  我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。 我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2020-06-24T15:29:41Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Capturing and Explaining Trajectory Singularities using Composite Signal Neural Networks [21.454705493292014]
  複合信号解析装置(CompSNN)は3つの単純なANNモジュールを組み合わせたものである。 CompSNNは分離されたモジュールよりも大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2020-03-24T12:53:15Z)

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。