論文の概要: Graph Neural Network-enabled Terahertz-based Flow-guided Nanoscale Localization

• arxiv url: http://arxiv.org/abs/2307.05551v2
• Date: Fri, 8 Sep 2023 14:25:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 17:44:36.593710
• Title: Graph Neural Network-enabled Terahertz-based Flow-guided Nanoscale Localization
• Title（参考訳）: グラフニューラルネットワークによるテラヘルツ型フロー誘導ナノスケール局在
• Authors: Gerard Calvo Bartra, Filip Lemic, Jakob Struye, Sergi Abadal, Xavier Costa Perez
• Abstract要約: ヒトの心血管系では、ナノスケールデバイスが受動的に流れ、継続的に検知され、診断上の関心事を検出することが想定されている。 現在のフロー誘導型局所化アプローチは、ローカライゼーションの精度が低く、心臓血管系全体のイベントをローカライズできない副設計である。 この目的のためにグラフニューラルネットワーク(GNN)の利用を提案するとともに,提案手法のローカライズ精度とカバレッジ向上を実証する。
• 参考スコア（独自算出の注目度）: 8.19210734567314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific advancements in nanotechnology and advanced materials are paving the way toward nanoscale devices for in-body precision medicine; comprising integrated sensing, computing, communication, data and energy storage capabilities. In the human cardiovascular system, such devices are envisioned to be passively flowing and continuously sensing for detecting events of diagnostic interest. The diagnostic value of detecting such events can be enhanced by assigning to them their physical locations (e.g., body region), which is the main proposition of flow-guided localization. Current flow-guided localization approaches suffer from low localization accuracy and they are by-design unable to localize events within the entire cardiovascular system. Toward addressing this issue, we propose the utilization of Graph Neural Networks (GNNs) for this purpose, and demonstrate localization accuracy and coverage enhancements of our proposal over the existing State of the Art (SotA) approaches. Based on our evaluation, we provide several design guidelines for GNN-enabled flow-guided localization.
• Abstract（参考訳）: ナノテクノロジーと先端材料における科学的進歩は、センシング、コンピューティング、通信、データ、エネルギー貯蔵機能を含む体内精密医療のためのナノスケールデバイスへの道を開く。 ヒトの心血管系では、そのような装置は受動的に流れ、継続的に検知され、診断上の関心事を検出する。 このような事象を検出する診断値は、フロー誘導ローカライゼーションの主命題である物理的な位置(例えば、身体領域)に割り当てることによって向上することができる。 現在のフローガイド型ローカライズアプローチはローカライズ精度が低く、心血管系全体の事象をローカライズできない設計になっている。 この問題に対処するために,我々はグラフニューラルネットワーク(GNN)の利用を提案し,既存の最先端技術(SotA)アプローチに対して,提案手法の局所化精度とカバレッジ向上を示す。 本評価に基づき,GNN対応フロー誘導ローカライゼーションの設計ガイドラインについて述べる。

関連論文リスト

• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Tailoring Graph Neural Network-based Flow-guided Localization to Individual Bloodstreams and Activities [12.879900371671754]
  血流中ナノデバイスを用いたフローガイドの局在化は,早期疾患の検出,生物状態の連続モニタリング,標的治療に有用であることが期待される。 ナノデバイスは、ローカライゼーション目的のために誤った生データを生成する、サイズと電力制約を呈する。 オンボディアンカーはこのデータを受信し、興味のある診断イベントの場所を導出する。
  論文  参考訳（メタデータ） (2024-08-02T12:58:08Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Analytical Modelling of Raw Data for Flow-Guided In-body Nanoscale Localization [5.188841610098436]
  精密医療では、ナノデバイスは血流から病気の診断、治療、モニタリングを約束する。 現在のフロー誘導型ローカライゼーションアプローチは、通信能力とエネルギー関連能力に制約がある。 本研究では,フロー誘導型ローカライゼーションのための原料データの解析モデルを提案し,ナノデバイスの通信機能およびエネルギー関連機能として生データをモデル化する。
  論文  参考訳（メタデータ） (2023-09-27T21:26:01Z)
• Impact of spiking neurons leakages and network recurrences on event-based spatio-temporal pattern recognition [0.0]
  ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。 スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
  論文  参考訳（メタデータ） (2022-11-14T21:34:02Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Large-scale kernelized GRANGER causality to infer topology of directed graphs with applications to brain networks [0.0]
  時系列が短い大規模ネットワークでは、トポロジ推定が不適切になる。 本稿では, 非線形保存型トポロジ推論手法を提案する。 機能的磁気共鳴イメージング(fMRI)による実際のデータセットの試験では、統合失調症患者の診断タスクにおいて96.3%の精度が示されている。
  論文  参考訳（メタデータ） (2020-11-16T20:30:19Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。