Fugu-MT 論文翻訳(概要): A Solid-State Nanopore Signal Generator for Training Machine Learning Models

論文の概要: A Solid-State Nanopore Signal Generator for Training Machine Learning Models

arxiv url: http://arxiv.org/abs/2504.05466v1
Date: Mon, 07 Apr 2025 19:56:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-09 13:29:02.250494
Title: A Solid-State Nanopore Signal Generator for Training Machine Learning Models
Title（参考訳）: 機械学習モデルの訓練のための固体ナノ孔信号発生装置
Authors: Jaise Johnson, Chinmayi R Galigekere, Manoj M Varma,
Abstract要約: 本稿では,機械学習応用のための広範囲な合成データセットを生成可能なナノ孔信号生成装置を提案する。ディープラーニングモデルをトレーニングして、生信号から直接転位イベントを検出し、最小限の偽陽性で99%以上の真のイベント検出を達成します。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Translocation event detection from raw nanopore current signals is a fundamental step in nanopore signal analysis. Traditional data analysis methods rely on user-defined parameters to extract event information, making the interpretation of experimental results sensitive to parameter choice. While Machine Learning (ML) has seen widespread adoption across various scientific fields, its potential remains underexplored in solid-state nanopore research. In this work, we introduce a nanopore signal generator capable of producing extensive synthetic datasets for machine learning applications and benchmarking nanopore signal analysis platforms. Using this generator, we train deep learning models to detect translocation events directly from raw signals, achieving over 99% true event detection with minimal false positives.
Abstract（参考訳）: 生ナノ細孔電流信号からの転位事象検出は、ナノ細孔信号解析の基本的なステップである。従来のデータ分析手法は、パラメータの選択に敏感な実験結果の解釈を、ユーザ定義のパラメータに頼ってイベント情報を抽出する。機械学習(ML)は様々な科学分野に広く採用されているが、そのポテンシャルは固体ナノ孔の研究において過小評価されている。本研究では,機械学習応用のための広範な合成データセットを作成し,ナノ孔信号解析プラットフォームをベンチマークするナノ孔信号生成装置を提案する。このジェネレータを用いて深層学習モデルを用いて、生信号から直接転位イベントを検出し、最小限の偽陽性で99%以上の真の事象検出を達成する。

関連論文リスト

Scintillation pulse characterization with spectrum-inspired temporal neural networks: case studies on particle detector signals [1.124958340749622]
本稿では,時系列解析に関するこれまでの研究に基づいて,シンチレーションパルスのキャラクタリゼーションに特化したネットワークアーキテクチャを提案する。 a)LUXダークマター検出器の設定によって生成されたシミュレーションデータと,(b)高速電子回路を用いた実験電気信号を用いて,NICA/MPD温度計のシンチレーション変動をエミュレートする。
論文参考訳（メタデータ） (2024-10-09T02:44:53Z)
Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文参考訳（メタデータ） (2023-11-21T21:51:00Z)
Analytical Modelling of Raw Data for Flow-Guided In-body Nanoscale Localization [5.188841610098436]
精密医療では、ナノデバイスは血流から病気の診断、治療、モニタリングを約束する。現在のフロー誘導型ローカライゼーションアプローチは、通信能力とエネルギー関連能力に制約がある。本研究では,フロー誘導型ローカライゼーションのための原料データの解析モデルを提案し,ナノデバイスの通信機能およびエネルギー関連機能として生データをモデル化する。
論文参考訳（メタデータ） (2023-09-27T21:26:01Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
Data-driven detector signal characterization with constrained bottleneck autoencoders [0.0]
制約付きボトルネックオートエンコーダという形でのディープラーニングは、データから直接、基盤となる未知の検出器応答モデルを学ぶために使用することができる。トレーニングされたアルゴリズムは、モデルの物理パラメータを推定し、高い忠実度で検出器応答をシミュレートし、検出器信号をデノネーズするために同時に使用することができる。
論文参考訳（メタデータ） (2022-03-09T09:46:10Z)
Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
論文参考訳（メタデータ） (2022-02-12T19:27:06Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
論文参考訳（メタデータ） (2021-06-05T03:57:41Z)

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。