論文の概要: Transfer Learning Application of Self-supervised Learning in ARPES

• arxiv url: http://arxiv.org/abs/2208.10893v1
• Date: Tue, 23 Aug 2022 11:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 14:17:18.901194
• Title: Transfer Learning Application of Self-supervised Learning in ARPES
• Title（参考訳）: ARPESにおける自己指導型学習の伝達学習への応用
• Authors: Sandy Adhitia Ekahana, Genta Indra Winata, Y. Soh, Gabriel Aeppli, Radovic Milan, Ming Shi
• Abstract要約: 角度分解型光電子分光法(ARPES)の開発には、試料の空間分解が関与する。 その1つは、同様の分散カットをラベル付けして空間的にマッピングすることである。 そこで本研究では,k-meansクラスタリングと組み合わせた表現型学習モデルの最近の発展が,データ解析のその部分を自動化することを実証する。
• 参考スコア（独自算出の注目度）: 12.019651078748236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent development in angle-resolved photoemission spectroscopy (ARPES) technique involves spatially resolving samples while maintaining the high-resolution feature of momentum space. This development easily expands the data size and its complexity for data analysis, where one of it is to label similar dispersion cuts and map them spatially. In this work, we demonstrate that the recent development in representational learning (self-supervised learning) model combined with k-means clustering can help automate that part of data analysis and save precious time, albeit with low performance. Finally, we introduce a few-shot learning (k-nearest neighbour or kNN) in representational space where we selectively choose one (k=1) image reference for each known label and subsequently label the rest of the data with respect to the nearest reference image. This last approach demonstrates the strength of the self-supervised learning to automate the image analysis in ARPES in particular and can be generalized into any science data analysis that heavily involves image data.
• Abstract（参考訳）: 角分解光電子分光法(ARPES)の最近の進歩は、運動量空間の高分解能特性を維持しながらサンプルを空間的に分解することである。 この開発はデータサイズとデータ解析の複雑さを容易に拡張し、その1つは同様の分散カットをラベル付けして空間的にマッピングすることである。 本研究では,k-meansクラスタリングと組み合わせた表現学習(自己教師付き学習)モデルの最近の開発が,低パフォーマンスながら,データ分析のその部分を自動化するとともに貴重な時間を節約できることを実証する。 最後に,数点学習(k-nearest neighborまたはkn)を表現空間に導入し,既知のラベル毎に1(k=1)の画像参照を選択的に選択し,残りのデータを最寄りの参照画像に対してラベル付けする。 この最後のアプローチは、特にARPESにおける画像解析を自動化するための自己教師型学習の強みを示し、画像データに強く関与する科学データ分析に一般化することができる。

関連論文リスト

• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Unsupervised Few-Shot Continual Learning for Remote Sensing Image Scene Classification [14.758282519523744]
  リモートセンシング画像シーン分類における教師なし数ショット連続学習のためのunsupervised flat-wide learning approach (UNISA) リモートセンシング画像シーンデータセットとハイパースペクトルデータセットを用いた数値解析により,提案手法の利点が確認された。
  論文  参考訳（メタデータ） (2024-06-04T03:06:41Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data [0.0]
  超スペクトル画像(hsi)データの非常に限られた量のラベル付きデータに照らして分類するための新しい枠組みを提案する。 HSIデータのための多段階エッジ効率半教師付きグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-27T15:36:26Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• IntroVAC: Introspective Variational Classifiers for Learning Interpretable Latent Subspaces [6.574517227976925]
  IntroVACは、追加ラベルから情報を活用することで、解釈可能な潜在部分空間を学習する。 IntroVACは、画像属性の微調整を可能にする潜在空間における意味のある方向を学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-03T10:21:41Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。