論文の概要: Gramian Angular Fields for leveraging pretrained computer vision models
with anomalous diffusion trajectories
- arxiv url: http://arxiv.org/abs/2310.01416v1
- Date: Sat, 2 Sep 2023 17:22:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-08 11:08:05.459901
- Title: Gramian Angular Fields for leveraging pretrained computer vision models
with anomalous diffusion trajectories
- Title（参考訳）: 異常拡散軌道を用いた事前学習型コンピュータビジョンモデルのグラミアン角場への応用
- Authors: \`Oscar Garibo-i-Orts and Nicol\'as Firbas and Laura Sebasti\'a and J.
Alberto Conejero
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9012198585960443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomalous diffusion is present at all scales, from atomic to large scales.
Some exemplary systems are; ultra-cold atoms, telomeres in the nucleus of
cells, moisture transport in cement-based materials, the free movement of
arthropods, and the migration patterns of birds. The characterization of the
diffusion gives critical information about the dynamics of these systems and
provides an interdisciplinary framework with which to study diffusive
transport. Thus, the problem of identifying underlying diffusive regimes and
inferring the anomalous diffusion exponent {$\alpha$} with high confidence is
critical to physics, chemistry, biology, and ecology. Classification and
analysis of raw trajectories combining machine learning techniques with
statistics extracted from them have widely been studied in the Anomalous
Diffusion Challenge ge (Munoz-Gil et al., 2021). Here we present a new
data-driven method for working with diffusive trajectories. This method
utilizes Gramian Angular Fields (GAF) to encode one-dimensional trajectories as
images (Gramian Matrices), while preserving their spatiotemporal structure for
input to computer-vision models. This allows us to leverage two
well-established pre-trained computer-vision models, ResNet and MobileNet, to
characterize the underlying diffusive regime, and infer the anomalous diffusion
exponent {$\alpha$}. Short raw trajectories, of lengths between 10 and 50, are
commonly encountered in single-particle tracking experiments and are the most
difficult to characterize. We show that by using GAF images, we can outperform
the current state-of-the-art while increasing accessibility to machine learning
methods in an applied setting.
- Abstract（参考訳）: 異常な拡散は、原子から大きなスケールまで、あらゆるスケールに存在する。
例としては、超低温原子、細胞核のテロメア、セメント系材料の水分輸送、節足動物の自由移動、鳥類の移動パターンなどがある。
拡散のキャラクタリゼーションは、これらの系のダイナミクスに関する重要な情報を与え、拡散輸送を研究するための学際的な枠組みを提供する。
したがって、基礎となる拡散状態を特定し、異常拡散指数 {$\alpha$} を高い信頼性で推定する問題は、物理学、化学、生物学、生態学において重要である。
機械学習技術とそれらから抽出した統計を組み合わせた生軌跡の分類と解析は、異常拡散チャレンジge(munoz-gil et al., 2021)で広く研究されている。
ここでは、拡散軌跡を扱うための新しいデータ駆動方式を提案する。
本手法は,1次元軌跡を画像(グラミアン行列)として符号化するために,GAF(Gramian Angular Fields)を用いて,コンピュータビジョンモデルへの入力のための時空間構造を保存する。
これにより、よく訓練された2つのコンピュータビジョンモデル、ResNetとMobileNetを利用して、基礎となる拡散体制を特徴づけ、異常拡散指数 {$\alpha$} を推測することができる。
10から50までの短い生の軌道は、単一粒子追跡実験で一般的に見られ、最も特徴付けるのが困難である。
そこで本研究では,gaf画像を用いることで,機械学習手法へのアクセシビリティを高めつつ,現在の最先端技術を上回ることができることを示す。
関連論文リスト
- Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。
データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
論文 参考訳（メタデータ） (2024-09-13T17:54:41Z) - Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。
本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。
車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文 参考訳（メタデータ） (2024-06-01T21:54:01Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - Advective Diffusion Transformers for Topological Generalization in Graph
Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。
本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文 参考訳（メタデータ） (2023-10-10T08:40:47Z) - Directional diffusion models for graph representation learning [9.457273750874357]
我々は方向拡散モデルと呼ばれる新しいモデルのクラスを提案する。
これらのモデルは前方拡散過程にデータ依存、異方性、指向性ノイズを含む。
我々は,2つのグラフ表現学習タスクに焦点をあてて,12の公開データセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2023-06-22T21:27:48Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳（メタデータ） (2023-06-20T03:05:28Z) - Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。
従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。
本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
論文 参考訳（メタデータ） (2023-05-09T07:28:12Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - Efficient recurrent neural network methods for anomalously diffusing
single particle short and noisy trajectories [0.08594140167290096]
本稿では, 異常指数を推定し, 単一, 雑音, 短軌跡の背後にある異常拡散過程のタイプを同定できるデータ駆動方式を提案する。
畳み込みニューラルネットワークと繰り返しニューラルネットワークを組み合わせることで、最先端の結果が得られた。
論文 参考訳（メタデータ） (2021-08-05T20:04:37Z) - Extreme Learning Machine for the Characterization of Anomalous Diffusion
from Single Trajectories [0.0]
エクストリームラーニングマシンとフィーチャーエンジニアリング(AnDi-ELM)を組み合わせることで、AnDiチャレンジのタスクに取り組むためのシンプルなアプローチを説明します。
この手法は,計算資源に制限のある簡単な実装と高速な訓練時間を提供しながら,良好な性能を達成する。
論文 参考訳（メタデータ） (2021-05-06T11:56:27Z) - 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。