論文の概要: Sinusoidal Sensitivity Calculation for Line Segment Geometries
- arxiv url: http://arxiv.org/abs/2208.03059v1
- Date: Fri, 5 Aug 2022 09:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 13:04:33.024236
- Title: Sinusoidal Sensitivity Calculation for Line Segment Geometries
- Title（参考訳）: 線分ジオメトリの正弦波感度計算
- Authors: Luciano Vinas and Atchar Sudyadhom
- Abstract要約: 本稿では,Kernらによって提案された正弦波コイル感度モデルに対する閉形式解を提案する。
これにより、地道デビアスデータセットに対する様々なシミュレーションバイアス場の正確な計算が可能になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Provide a closed-form solution to the sinusoidal coil sensitivity
model proposed by Kern et al. This closed-form allows for precise computations
of varied, simulated bias fields for ground-truth debias datasets.
Methods: Fourier distribution theory and standard integration techniques were
used to calculate the Fourier transform for line segment magnetic fields.
Results: A $L^1_{\rm loc}(\mathbb{R}^3)$ function is derived in full
generality for arbitrary line segment geometries. Sampling criteria and
equivalence to the original sinusoidal model are also discussed. Lastly a CUDA
accelerated implementation $\texttt{biasgen}$ is provided by authors.
Conclusion: As the derived result is influenced by coil positioning and
geometry, practitioners will have access to a more diverse ecosystem of
simulated datasets which may be used to compare prospective debiasing methods.
- Abstract（参考訳）: 目的: Kern らにより提案された正弦波コイル感度モデルに対する閉形式解を与える。
このクローズドフォームは、地対地デバイアスデータセットの様々なシミュレーションされたバイアスフィールドの正確な計算を可能にする。
方法: 線分磁場に対するフーリエ変換を計算するために, フーリエ分布理論と標準積分法を用いた。
結果:$L^1_{\rm loc}(\mathbb{R}^3)$関数は任意の線分ジオメトリに対して完全な一般性で導出される。
元の正弦波モデルに対するサンプリング基準と等価性についても論じる。
最後に、CUDAAccelered implementation $\texttt{biasgen}$が著者によって提供されている。
結論: 導出された結果はコイルの位置と幾何学に影響されるため、実践者はより多様なシミュレーションデータセットのエコシステムにアクセスでき、将来のデバイアス法を比較するのに使うことができる。
関連論文リスト
- Extracting Manifold Information from Point Clouds [0.0]
カーネルベースの手法は$mathbbRd$のサブセットのシグネチャ関数を構成するために提案される。
点雲の解析と解析が主な応用である。
論文 参考訳（メタデータ） (2024-03-30T17:21:07Z) - Sketching the Heat Kernel: Using Gaussian Processes to Embed Data [4.220336689294244]
本稿では, ガウス過程の実現に基づく低次元ユークリッド空間にデータを埋め込む新しい非決定論的手法を提案する。
我々の手法は、その強靭性から外れ値へのさらなる優位性を示す。
論文 参考訳（メタデータ） (2024-03-01T22:56:19Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳（メタデータ） (2022-02-11T13:51:30Z) - Test Set Sizing Via Random Matrix Theory [91.3755431537592]
本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。
それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。
本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
論文 参考訳（メタデータ） (2021-12-11T13:18:33Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。
経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。
我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
論文 参考訳（メタデータ） (2021-06-03T16:37:05Z) - Graph Based Gaussian Processes on Restricted Domains [13.416168979487118]
非パラメトリック回帰では、入力はユークリッド空間の制限された部分集合に落ちるのが一般的である。
入力領域の幾何学を尊重する共分散を学習するグラフラプラシアン型GP(GL-GP)の新たなクラスを提案する。
本稿では,GL-GP手法の理論的サポートを提供し,各種アプリケーションの性能向上を示す。
論文 参考訳（メタデータ） (2020-10-14T17:01:29Z) - Linear-time inference for Gaussian Processes on one dimension [17.77516394591124]
本研究では,その線形スケーリング計算コストから,状態空間モデルが人気である1次元のサンプルデータについて検討する。
状態空間モデルは一般であり、任意の1次元ガウス過程を近似できるという予想の最初の一般的な証明を提供する。
LEGモデルで推論と学習を行う並列アルゴリズムを開発し、実データおよび合成データ上でアルゴリズムをテストし、数十億のサンプルを持つデータセットへのスケーリングを実証する。
論文 参考訳（メタデータ） (2020-03-11T23:20:13Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-11T17:21:15Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳（メタデータ） (2020-03-05T14:33:20Z)
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。