論文の概要: CINNAMON: A hybrid approach to change point detection and parameter estimation in single-particle tracking data

• arxiv url: http://arxiv.org/abs/2503.14253v1
• Date: Tue, 18 Mar 2025 13:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:18.263412
• Title: CINNAMON: A hybrid approach to change point detection and parameter estimation in single-particle tracking data
• Title（参考訳）: CINNAMON:単一粒子追跡データにおける変化点検出とパラメータ推定のためのハイブリッドアプローチ
• Authors: Jakub Malinowski, Marcin Kostrzewa, Michał Balcerek, Weronika Tomczuk, Janusz Szwabiński,
• Abstract要約: 単一粒子追跡トラジェクトリを分類し,その中の変化点を検出し,変化点間のセグメントにおける拡散パラメータを推定するハイブリッド手法を提案する。 提案手法は,ニューラルネットワーク,特徴に基づく機械学習,統計的手法の組み合わせに基づく。 第2回Anomalous Diffusion Challengeでベンチマークされた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Change point detection has become an important part of the analysis of the single-particle tracking data, as it allows one to identify moments, in which the motion patterns of observed particles undergo significant changes. The segmentation of diffusive trajectories based on those moments may provide insight into various phenomena in soft condensed matter and biological physics. In this paper, we propose CINNAMON, a hybrid approach to classifying single-particle tracking trajectories, detecting change points within them, and estimating diffusion parameters in the segments between the change points. Our method is based on a combination of neural networks, feature-based machine learning, and statistical techniques. It has been benchmarked in the second Anomalous Diffusion Challenge. The method offers a high level of interpretability due to its analytical and feature-based components. A potential use of features from topological data analysis is also discussed.
• Abstract（参考訳）: 変化点検出は、観測された粒子の運動パターンが著しく変化する瞬間を識別できるため、単一粒子追跡データの解析において重要な部分となっている。 これらのモーメントに基づく拡散軌道のセグメンテーションは、柔らかい凝縮物質や生物物理学における様々な現象の洞察を与える可能性がある。 本稿では,単一粒子追跡トラジェクトリを分類し,その中の変化点を検出し,変化点間のセグメントにおける拡散パラメータを推定するハイブリッド手法であるCINNAMONを提案する。 提案手法は,ニューラルネットワーク,特徴に基づく機械学習,統計的手法の組み合わせに基づく。 第2回Anomalous Diffusion Challengeでベンチマークされた。 この手法は、解析的および特徴に基づくコンポーネントによる高いレベルの解釈性を提供する。 トポロジカルデータ解析による特徴の潜在的利用についても論じる。

関連論文リスト

• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• An analysis of localization transitions using non-parametric unsupervised learning [0.0]
  我々は、量子系の古典的に符号化された構成によって生成されたデータ空間における臨界特性が幾何遷移と見なせるかを示す。 文献の最もよく知られた結果と一致して、遷移点と臨界指数を推定する。
  論文  参考訳（メタデータ） (2023-11-27T18:13:50Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Change Point Detection with Conceptors [0.6526824510982799]
  オフラインの変更点検出は、時系列内の変更点を振り返って特定する。 平均と分散の変化を対象とする多くの非パラメトリック手法は、非線形時間依存の存在下では失敗する。 本稿では,任意の依存構造を持つベースライン学習窓の特性を学習するための概念行列を提案する。 関連するエコー状態ネットワークはデータのデファシライザとして機能し、特徴間の相互作用の性質とベースライン状態との関係から変化点を識別する。
  論文  参考訳（メタデータ） (2023-08-11T16:32:00Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees [3.2771631221674333]
  最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-08T19:03:21Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Learning physical properties of anomalous random walks using graph neural networks [0.0]
  単一粒子追跡により、生体分子が自然環境と物理的に相互作用する方法を探ります。 信頼できる推論は、単一粒子運動の固有の性質、実験ノイズ、およびほとんどの実験軌道の短い持続時間によって困難にされる。 ここでは、グラフニューラルネットワーク(GNN)に基づくランダムウォーク特性を推定するための新しい高速アプローチを紹介します。
  論文  参考訳（メタデータ） (2021-03-22T11:32:10Z)
• Probing the topological Anderson transition with quantum walks [48.7576911714538]
  光線形ネットワークにおける1次元量子ウォークについて考察する。 ウォーカーの確率分布を直接監視するオプションは、この光学プラットフォームを1次元トポロジカルアンダーソン転移のユニークなシグネチャの実験的観察に最適である。
  論文  参考訳（メタデータ） (2021-02-01T21:19:15Z)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)

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。