論文の概要: Frequency-domain alignment of heterogeneous, multidimensional separations data through complex orthogonal Procrustes analysis
- arxiv url: http://arxiv.org/abs/2502.12810v1
- Date: Tue, 18 Feb 2025 12:14:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:23.249435
- Title: Frequency-domain alignment of heterogeneous, multidimensional separations data through complex orthogonal Procrustes analysis
- Title(参考訳): 複素直交Procrustes解析による異種多次元分離データの周波数領域アライメント
- Authors: Michael Sorochan Armstrong,
- Abstract要約: 多次元分離データには、複雑な生物学的サンプルに関する詳細な情報を明らかにする能力がある。
データ分析は、化学因子を表わすピークが、いくつかの分析実行の過程で漂流する可能性があるため、この分野で進行中の課題である。
この研究は、合成多次元分離データの周波数領域表現のProcrustes解析を通じて、アライメント問題に対する非常に単純な解を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Multidimensional separations data have the capacity to reveal detailed information about complex biological samples. However, data analysis has been an ongoing challenge in the area since the peaks that represent chemical factors may drift over the course of several analytical runs along the first and second dimension retention times. This makes higher-level analyses of the data difficult, since a 1-1 comparison of samples is seldom possible without sophisticated pre-processing routines. Further complicating the issue is the fact that closely co-eluting components will need to be resolved, typically using some variants of Parallel Factor Analysis (PARAFAC), Multivariate Curve Resolution (MCR), or the recently explored Shift-Invariant Multi-linearity. These algorithms work with a user-specified number of components, and regions of interest that are then summarized as a peak table that is invariant to shift. However, identifying regions of interest across truly heterogeneous data remains an ongoing issue, for automated deployment of these algorithms. This work offers a very simple solution to the alignment problem through a orthogonal Procrustes analysis of the frequency-domain representation of synthetic multidimensional separations data, for peaks that are logarithmically transformed to simulate shift while preserving the underlying topology of the data. Using this very simple method for analysis, two synthetic chromatograms can be compared under close to the worst possible scenarios for alignment.
- Abstract(参考訳): 多次元分離データには、複雑な生物学的サンプルに関する詳細な情報を明らかにする能力がある。
しかし、この領域では、化学因子を表すピークが1次元と2次元の保持時間に沿って数回の解析走行を通して漂流する可能性があるため、データ分析が進行中の課題となっている。
これにより、高度な前処理ルーチンなしでは、サンプルの1-1の比較が不可能になるため、データの高レベルな解析が困難になる。
この問題をさらに複雑にしているのは、並列因子分析(PARAFAC)、多変量曲線分解(MCR)、あるいは最近検討されたShift-Invariant Multi-linearity(多変量線形性)のいくつかの変種を用いて、密に共起するコンポーネントを解決する必要があるという事実である。
これらのアルゴリズムは、ユーザが指定したコンポーネントの数と、シフトに不変なピークテーブルとして要約された関心領域で動作する。
しかし、これらのアルゴリズムを自動展開する際、真に異質なデータにまたがる関心領域の特定は現在も進行中の課題である。
この研究は、合成多次元分離データの周波数領域表現の直交プロクリスト解析によるアライメント問題に対する非常に単純な解を提供し、データの基盤となるトポロジーを保ちながら、対数的に変換されたピークがシフトをシミュレートする。
この非常に単純な分析法を用いて、2つの合成クロマトグラムを、アライメントの最悪のシナリオに近く比較することができる。
関連論文リスト
- Efficient Sparsification of Simplicial Complexes via Local Densities of States [8.830922974884531]
Simplicial Complex (SC) は、データ項目間の高次関係を考慮に入れた計算データのためのグラフモデルの一般化である。
多くの実世界のデータセットの分析により、多くの高次相互作用を持つ高密度のSCが生成される。
SCの確率的スパーシフアクションのための新しい手法を開発した。
論文 参考訳(メタデータ) (2025-02-11T13:51:42Z) - Localized Sparse Principal Component Analysis of Multivariate Time Series in Frequency Domain [0.0]
周波数領域における高次元時系列の解釈可能な主成分分析のための定式化と一貫した推定手法を提案する。
信号プロセスの低次元主部分空間のスパース局所化推定を計算するために,効率的な周波数系列アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-08-15T14:30:34Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Untargeted Region of Interest Selection for GC-MS Data using a Pseudo
F-Ratio Moving Window ($\psi$FRMV) [0.0]
本稿では,GC-MSデータにおける関心領域の自動選択手法を提案する。
これは、クロマトグラムを横切るウィンドウの特異値分解から得られる正方形第一値と第二特異値の比に基づいている。
アルゴリズムの感度は、信号を含むクロマトグラフィー領域をもはや取り出すことができない濃度を調べることで検証された。
論文 参考訳(メタデータ) (2022-07-30T21:43:05Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳(メタデータ) (2021-12-22T00:52:56Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳(メタデータ) (2020-11-17T05:41:50Z) - Peak Detection On Data Independent Acquisition Mass Spectrometry Data
With Semisupervised Convolutional Transformers [0.0]
質量分析法(LC-MS)に結合した液体クロマトグラフィーは、プロテオームの高スループットで定量的な測定に一般的に用いられている。
本稿では,このピーク検出問題を多変量時系列分割問題として定式化し,トランスフォーマーアーキテクチャに基づく新しいアプローチを提案する。
ここでは、畳み込みニューラルネットワーク(CNN)を用いて、グローバルビューで長距離依存関係をキャプチャ可能なトランスフォーマーを拡大する。
我々は,このモデルを,多チャンネル時系列データに対する技術半教師付き画像分類手法の状況に適応させることで,半教師付き方式でさらに訓練する。
論文 参考訳(メタデータ) (2020-10-26T18:55:27Z) - Sparse Generalized Canonical Correlation Analysis: Distributed
Alternating Iteration based Approach [18.93565942407577]
Sparse Canonical correlation analysis (CCA) はスパース構造を用いた潜伏情報検出に有用な統計ツールである。
本稿では,多視点データとスパース構造との潜在関係を検出可能な一般標準相関解析(GCCA)を提案する。
論文 参考訳(メタデータ) (2020-04-23T05:53:48Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-02-07T13:48:52Z)
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。