論文の概要: Machine-Learning Solutions for the Analysis of Single-Particle Diffusion Trajectories

• arxiv url: http://arxiv.org/abs/2308.09414v1
• Date: Fri, 18 Aug 2023 09:29:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:47:26.075361
• Title: Machine-Learning Solutions for the Analysis of Single-Particle Diffusion Trajectories
• Title（参考訳）: 単粒子拡散軌道解析のための機械学習ソリューション
• Authors: Henrik Seckler, Janusz Szwabinski, and Ralf Metzler
• Abstract要約: 拡散時系列の機械学習における最近導入された手法の概要について概説する。 我々は、解釈可能性を改善し、マシンの学習プロセスに関する具体的な洞察を提供するとともに、不確実性の推定と特徴に基づくアプローチを含む手段に焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-particle traces of the diffusive motion of molecules, cells, or animals are by-now routinely measured, similar to stochastic records of stock prices or weather data. Deciphering the stochastic mechanism behind the recorded dynamics is vital in understanding the observed systems. Typically, the task is to decipher the exact type of diffusion and/or to determine system parameters. The tools used in this endeavor are currently revolutionized by modern machine-learning techniques. In this Perspective we provide an overview over recently introduced methods in machine-learning for diffusive time series, most notably, those successfully competing in the Anomalous-Diffusion-Challenge. As such methods are often criticized for their lack of interpretability, we focus on means to include uncertainty estimates and feature-based approaches, both improving interpretability and providing concrete insight into the learning process of the machine. We expand the discussion by examining predictions on different out-of-distribution data. We also comment on expected future developments.
• Abstract（参考訳）: 分子、細胞、動物の拡散運動の単一粒子の痕跡は、株価や気象データの確率的な記録と同様に、現在定期的に測定されている。 記録された力学の背後にある確率的メカニズムの解読は、観測されたシステムを理解する上で不可欠である。 通常、タスクは拡散の正確なタイプを解読し、またはシステムパラメータを決定することである。 この取り組みで使われるツールは、現代の機械学習技術によって現在革新されている。 このパースペクティブでは、拡散時系列の機械学習における最近導入された手法の概要、特にAnomalous-Diffusion-Challenge における競合に成功しているものを概説する。 このような方法が解釈可能性の欠如によってしばしば批判されるため、我々は不確実性推定と特徴ベースアプローチを含む手段に焦点を合わせ、解釈可能性を改善し、機械の学習プロセスに具体的な洞察を与える。 我々は,異なる分布データに対する予測を調べることにより,議論を拡大する。 今後の展望についてもコメントする。

関連論文リスト

• A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
  意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。 このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。 本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
  論文  参考訳（メタデータ） (2024-05-04T17:57:24Z)
• Gramian Angular Fields for leveraging pretrained computer vision models with anomalous diffusion trajectories [0.9012198585960443]
  拡散軌跡を扱うための新しいデータ駆動手法を提案する。 この方法はグラミアン角場(GAF)を用いて1次元軌跡を画像として符号化する。 我々は、ResNetとMobileNetという、よく訓練された2つのコンピュータビジョンモデルを利用して、基礎となる拡散体制を特徴づける。
  論文  参考訳（メタデータ） (2023-09-02T17:22:45Z)
• Explainable classification of astronomical uncertain time series [0.0]
  本稿では,最先端手法に匹敵する分類を実現する不確実性を考慮したサブシーケンスモデルを提案する。 ドメインの専門家はモデルを調べ、その予測を説明することができる。 データセット、実験のソースコード、結果はパブリックリポジトリで公開されています。
  論文  参考訳（メタデータ） (2022-09-28T09:06:42Z)
• Symbolic Knowledge Extraction from Opaque Predictors Applied to Cosmic-Ray Data Gathered with LISA Pathfinder [0.0]
  不透明な機械学習モデルの印象的な予測性能と人間の理解不能な予測説明を組み合わせるために、いくつかのテクニックが存在する。 本稿では,LISAパスファインダー宇宙ミッションで収集した宇宙線データを再生可能なアンサンブル予測器に適用した異なる知識抽出器の結果を報告する。
  論文  参考訳（メタデータ） (2022-09-10T15:35:40Z)
• On Contrastive Representations of Stochastic Processes [53.21653429290478]
  プロセスの表現を学習することは、機械学習の新たな問題である。 本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T11:00:24Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Deducing neighborhoods of classes from a fitted model [68.8204255655161]
  本稿では,新しいタイプの解釈可能な機械学習手法を提案する。 量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。 基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
  論文  参考訳（メタデータ） (2020-09-11T16:35:53Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)

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。