論文の概要: Graph Neural Networks as an Enabler of Terahertz-based Flow-guided
Nanoscale Localization over Highly Erroneous Raw Data
- arxiv url: http://arxiv.org/abs/2307.05551v3
- Date: Sat, 24 Feb 2024 18:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 00:38:18.815222
- Title: Graph Neural Networks as an Enabler of Terahertz-based Flow-guided
Nanoscale Localization over Highly Erroneous Raw Data
- Title（参考訳）: テラヘルツをベースとしたフロー誘導型ナノスケールローカライゼーションのためのグラフニューラルネットワーク
- Authors: Gerard Calvo Bartra, Filip Lemic, Guillem Pascual, Aina P\'erez Rodas,
Jakob Struye, Carmen Delgado, Xavier Costa P\'erez
- Abstract要約: 本稿では,フロー誘導型ローカライゼーションのための生データの解析モデルを提案する。
また,グラフニューラルネットワーク(GNN)をフロー誘導型ローカライゼーションパラダイムに統合する。
- 参考スコア（独自算出の注目度）: 6.536721583588703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contemporary research advances in nanotechnology and material science are
rooted in the emergence of nanodevices as a versatile tool that harmonizes
sensing, computing, wireless communication, data storage, and energy
harvesting. These devices offer novel pathways for disease diagnostics,
treatment, and monitoring within the bloodstreams. Ensuring precise
localization of events of diagnostic interest, which underpins the concept of
flow-guided in-body nanoscale localization, would provide an added diagnostic
value to the detected events. Raw data generated by the nanodevices is pivotal
for this localization and consist of an event detection indicator and the time
elapsed since the last passage of a nanodevice through the heart. The energy
constraints of the nanodevices lead to intermittent operation and unreliable
communication, intrinsically affecting this data. This posits a need for
comprehensively modelling the features of this data. These imperfections also
have profound implications for the viability of existing flow-guided
localization approaches, which are ill-prepared to address the intricacies of
the environment. Our first contribution lies in an analytical model of raw data
for flow-guided localization, dissecting how communication and energy
capabilities influence the nanodevices' data output. This model acts as a vital
bridge, reconciling idealized assumptions with practical challenges of
flow-guided localization. Toward addressing these practical challenges, we also
present an integration of Graph Neural Networks (GNNs) into the flow-guided
localization paradigm. GNNs excel in capturing complex dynamic interactions
inherent to the localization of events sensed by the nanodevices. Our results
highlight the potential of GNNs not only to enhance localization accuracy but
also extend coverage to encompass the entire bloodstream.
- Abstract（参考訳）: ナノテクノロジーと材料科学における現代の研究の進歩は、センシング、コンピューティング、無線通信、データストレージ、エネルギー収穫を調和させる汎用ツールとしてナノデバイスが出現したことに根ざしている。
これらのデバイスは、疾患の診断、治療、および血流内のモニタリングのための新しい経路を提供する。
フロー誘導体内ナノスケールの局所化という概念の根底にある、診断的関心事の正確な位置決めは、検出された事象に付加的な診断値を与える。
ナノデバイスによって生成された生データは、この局在化において重要であり、イベント検出インジケータと、ナノデバイスが心臓を通過する最後の通過から経過した時間からなる。
ナノデバイスのエネルギー制約は断続的な操作と信頼できない通信につながり、本質的にこのデータに影響を与える。
これは、このデータの特徴を包括的にモデル化する必要性を示唆する。
これらの欠陥は、環境の複雑さに対処する準備が不十分な既存のフロー誘導型局所化アプローチの生存可能性にも重大な影響を及ぼす。
最初の貢献は、フロー誘導型ローカライズのための生データの分析モデルであり、通信とエネルギーの能力がナノデバイスのデータ出力にどのように影響するかを説明します。
このモデルは、フロー誘導ローカライゼーションの実践的な課題と理想化された仮定を一致させる、重要なブリッジとして機能する。
これらの課題に対処するために、フロー誘導ローカライゼーションパラダイムへのグラフニューラルネットワーク(GNN)の統合も提案する。
GNNはナノデバイスによって感知される事象の局所化に固有の複雑な動的相互作用を捉えるのに優れている。
以上の結果から,GNNは局所化精度を高めるだけでなく,血流全体を包含する範囲を広げる可能性も浮き彫りにした。
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。