論文の概要: Log-Gaussian Gamma Processes for Training Bayesian Neural Networks in
Raman and CARS Spectroscopies
- arxiv url: http://arxiv.org/abs/2310.08055v2
- Date: Thu, 21 Dec 2023 13:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-22 18:08:09.915739
- Title: Log-Gaussian Gamma Processes for Training Bayesian Neural Networks in
Raman and CARS Spectroscopies
- Title（参考訳）: ラマン分光器とCARS分光器のベイズニューラルネットワーク訓練のための対数ガウスガンマ過程
- Authors: Teemu H\"ark\"onen, Erik M. Vartiainen, Lasse Lensu, Matthew T.
Moores, and Lassi Roininen
- Abstract要約: 本稿では,ガンマ分布確率変数と対数ガウスモデルを組み合わせて,ニューラルネットワークの学習に適した合成データセットを生成する手法を提案する。
本稿では, ガンマ過程パラメータを推定するために実験的スペクトルを用いて, ラマンとコヒーレント反ストークスラマン散乱(CARS)スペクトルの両方に適用する。
- 参考スコア（独自算出の注目度）: 0.03994567502796063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an approach utilizing gamma-distributed random variables, coupled
with log-Gaussian modeling, to generate synthetic datasets suitable for
training neural networks. This addresses the challenge of limited real
observations in various applications. We apply this methodology to both Raman
and coherent anti-Stokes Raman scattering (CARS) spectra, using experimental
spectra to estimate gamma process parameters. Parameter estimation is performed
using Markov chain Monte Carlo methods, yielding a full Bayesian posterior
distribution for the model which can be sampled for synthetic data generation.
Additionally, we model the additive and multiplicative background functions for
Raman and CARS with Gaussian processes. We train two Bayesian neural networks
to estimate parameters of the gamma process which can then be used to estimate
the underlying Raman spectrum and simultaneously provide uncertainty through
the estimation of parameters of a probability distribution. We apply the
trained Bayesian neural networks to experimental Raman spectra of
phthalocyanine blue, aniline black, naphthol red, and red 264 pigments and also
to experimental CARS spectra of adenosine phosphate, fructose, glucose, and
sucrose. The results agree with deterministic point estimates for the
underlying Raman and CARS spectral signatures.
- Abstract（参考訳）: 本稿では,ガンマ分布確率変数と対数ガウスモデルを組み合わせて,ニューラルネットワークの学習に適した合成データセットを生成する手法を提案する。
これは、様々な応用における限られた実観測の課題に対処する。
この手法をラマンおよびコヒーレント反ストークスラマン散乱(cars)スペクトルに適用し,実験スペクトルを用いてガンマ過程パラメータを推定する。
パラメータ推定はマルコフ連鎖モンテカルロ法を用いて行われ、合成データ生成のためにサンプル化できるモデルに対してベイズ後部分布を完全化する。
さらに,ガウス過程を持つラマンおよび自動車の加法および乗法背景関数をモデル化する。
ガンマ過程のパラメータを推定するために2つのベイズニューラルネットワークを訓練し、基礎となるラマンスペクトルを推定し、確率分布のパラメータを推定することで不確実性を提供する。
トレーニングされたベイズニューラルネットワークは、フタロシアニンブルー、アニリンブラック、ナフトールレッド、レッド264色素のラマンスペクトルおよびアデノシンリン酸、フルクトース、グルコース、スクロースの実験CARSスペクトルに適用した。
結果は、基礎となるラマンスペクトルとCARSスペクトルの定点推定と一致する。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Stein Random Feature Regression [18.477250397403722]
スタインランダム特徴(SRF)は、高品質なRFFサンプルを生成し、非分析スペクトル測定後部を柔軟に近似するために用いられる。
SRFは、カーネル近似とベイズカーネル学習の両方を実行するために、ログ確率勾配の評価のみを必要とする。
カーネル近似とよく知られたGP回帰問題に基づくベースラインと比較することにより、SRFの有効性を実証的に検証する。
論文 参考訳（メタデータ） (2024-06-01T13:24:48Z) - Toward using GANs in astrophysical Monte-Carlo simulations [0.0]
我々は,GAN(Generative Adversarial Network)がMaxwell-J"uttner分布を統計的に複製できることを示す。
コルモゴロフ・スミルノフ実験の平均値は、ニューラルネットワークによって生成されたサンプルに対して0.5であり、生成された分布が真の分布と区別できないことを示す。
論文 参考訳（メタデータ） (2024-02-16T23:07:53Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Gaussian Process Regression for Absorption Spectra Analysis of Molecular
Dimers [68.8204255655161]
本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。
このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。
実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
論文 参考訳（メタデータ） (2021-12-14T17:46:45Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Online parameter inference for the simulation of a Bunsen flame using
heteroscedastic Bayesian neural network ensembles [2.1485350418225244]
本論文では,事前混合火炎のG方程式モデルのパラメータをオンライン推論するためのデータ駆動型機械学習手法を提案する。
提案手法は,アンサンブルカルマンフィルタで得られた結果と一致する安価でオンラインなパラメータと不確実性推定を計算コストで提供する。
論文 参考訳（メタデータ） (2021-04-26T16:47:43Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - Feature visualization of Raman spectrum analysis with deep convolutional
neural network [0.0]
本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。
この方法は、まず単純なローレンツスペクトルに対して検討され、その後、医薬品化合物および数値混合アミノ酸のスペクトルに適用された。
論文 参考訳（メタデータ） (2020-07-27T08:15:38Z) - Differentiable Programming for Hyperspectral Unmixing using a
Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。
畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。
結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文 参考訳（メタデータ） (2020-07-12T14:16:35Z)
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。