Fugu-MT 論文翻訳(概要): Bidirectional Mamba state-space model for anomalous diffusion

論文の概要: Bidirectional Mamba state-space model for anomalous diffusion

arxiv url: http://arxiv.org/abs/2412.07299v1
Date: Tue, 10 Dec 2024 08:29:38 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:36:06.785887
Title: Bidirectional Mamba state-space model for anomalous diffusion
Title（参考訳）: 異常拡散に対する双方向マンバ状態空間モデル
Authors: Maxime Lavaud, Yosef Shokeeb, Juliette Lacherez, Yacine Amarouchene, Thomas Salez,
Abstract要約: Bi-Mambaは、双方向スキャン機構を備えた新しい状態空間ディープラーニングアーキテクチャである。以上の結果から,Bi-Mambaアーキテクチャの異常拡散評価への応用の可能性が示唆された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Characterizing anomalous diffusion is crucial in order to understand the evolution of complex stochastic systems, from molecular interactions to cellular dynamics. In this work, we characterize the performances regarding such a task of Bi-Mamba, a novel state-space deep-learning architecture articulated with a bidirectional scan mechanism. Our implementation is tested on the AnDi-2 challenge datasets among others. Designed for regression tasks, the Bi-Mamba architecture infers efficiently the effective diffusion coefficient and anomalous exponent from single, short trajectories. As such, our results indicate the potential practical use of the Bi-Mamba architecture for anomalousdiffusion characterization.
Abstract（参考訳）: 分子間相互作用から細胞力学まで、複雑な確率系の進化を理解するためには、異常拡散を特徴づけることが不可欠である。本研究では,双方向スキャン機構を具体化した新しい状態空間深層学習アーキテクチャであるBi-Mambaの性能評価を行う。実装はAnDi-2チャレンジデータセットで検証されている。回帰処理のために設計されたBi-Mambaアーキテクチャは、単一の短い軌道から効果的な拡散係数と異常指数を効率的に推定する。以上の結果から, 異常拡散評価におけるBi-Mambaアーキテクチャの有用性が示唆された。

関連論文リスト

Machine Learning Analysis of Anomalous Diffusion [7.073855594462542]
異常拡散解析のための機械学習技術の統合を体系的に紹介する。拡散パラメータと軌道分割の推論に使用される古典的機械学習とディープラーニングの両方を含む機械学習手法を広範囲に比較する。一方,ニューラルネットワークの垂直層からの特徴ベクトルとオートエンコーダからの潜在表現の組合せを含む,異常拡散を表現するための3つの主要な戦略を概説する。
論文参考訳（メタデータ） (2024-12-02T11:27:26Z)
Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文参考訳（メタデータ） (2024-10-01T19:02:06Z)
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)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Diffusion Models Without Attention [110.5623058129782]
Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
論文参考訳（メタデータ） (2023-11-30T05:15:35Z)
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)
Physics Informed Machine Learning for Chemistry Tabulation [5.368509527675853]
動的に生成するThemochemical State Variablesを組み込むため,ChemTabベースの定式化と実装を構築した。このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。
論文参考訳（メタデータ） (2022-11-06T04:24:38Z)
Simulating progressive intramural damage leading to aortic dissection using an operator-regression neural network [0.2955543753858105]
We developed a data-driven surrogate model for the delamination process for differential strut distributions using DeepONet。その結果,DeepONetは様々なストラット分布を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-08-25T03:49:19Z)
Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文参考訳（メタデータ） (2021-07-28T23:33:42Z)
Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文参考訳（メタデータ） (2021-06-03T00:02:05Z)
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。