論文の概要: SMELLNET: A Large-scale Dataset for Real-world Smell Recognition
- arxiv url: http://arxiv.org/abs/2506.00239v2
- Date: Sat, 11 Oct 2025 00:40:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 20:23:38.850055
- Title: SMELLNET: A Large-scale Dataset for Real-world Smell Recognition
- Title（参考訳）: SMELLNET: 現実世界のスメル認識のための大規模データセット
- Authors: Dewei Feng, Carol Li, Wei Dai, Paul Pu Liang,
- Abstract要約: SmellNetは、自然界で多様な匂いをデジタル化する最初の大規模データベースである。
ScentFormerは、時間差分とスライディングウインドウを併用したTransformerベースのアーキテクチャである。
ScentFormerとSmellNetは、医療、食品、飲料、環境モニタリング、製造、エンターテイメントなど、現実世界の嗅覚アプリケーションの基礎を作った。
- 参考スコア（独自算出の注目度）: 26.27822839167258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability of AI to sense and identify various substances based on their smell alone can have profound impacts on allergen detection (e.g., smelling gluten or peanuts in a cake), monitoring the manufacturing process, and sensing hormones that indicate emotional states, stress levels, and diseases. Despite these broad impacts, there are virtually no large-scale benchmarks, and therefore little progress, for training and evaluating AI systems' ability to smell in the real world. In this paper, we use small gas and chemical sensors to create SmellNet, the first large-scale database that digitizes a diverse range of smells in the natural world. SmellNet contains about 828,000 data points across 50 substances, spanning nuts, spices, herbs, fruits, and vegetables, and 43 mixtures among them, with 68 hours of data collected. Using SmellNet, we developed ScentFormer, a Transformer-based architecture combining temporal differencing and sliding-window augmentation for smell data. For the SmellNet-Base classification task, ScentFormer achieves 58.5% Top-1 accuracy, and for the SmellNet-Mixture distribution prediction task, ScentFormer achieves 50.2% Top-1@0.1 on the test-seen split. ScentFormer's ability to generalize across conditions and capture transient chemical dynamics demonstrates the promise of temporal modeling in olfactory AI. SmellNet and ScentFormer lay the groundwork for real-world olfactory applications across healthcare, food and beverage, environmental monitoring, manufacturing, and entertainment.
- Abstract（参考訳）: AIが嗅覚だけで様々な物質を検知し識別する能力は、アレルゲンの検出(例えば、ケーキの中のグルテンやピーナッツの匂い)、製造過程のモニタリング、感情状態、ストレスレベル、病気を示すホルモンの検知に重大な影響を与える可能性がある。
こうした幅広い影響にもかかわらず、現実世界でAIシステムの匂いを嗅ぐ能力を訓練し評価するための大規模なベンチマークはほとんどなく、そのためほとんど進歩していない。
本稿では,自然界における多様な匂いをデジタル化する,最初の大規模データベースであるSmellNetについて述べる。
SmellNetには50の物質にわたる828,000のデータポイントがあり、ナッツ、香辛料、ハーブ、果物、野菜にまたがる。
SmellNetを用いて、時相差とスライディングウインドウを併用したトランスフォーマーベースのアーキテクチャであるScentFormerを開発した。
SmellNet-Base分類タスクでは、ScentFormerは58.5%のTop-1精度を達成し、SmellNet-Mixture分布予測タスクでは、テストスプリットで50.2%のTop-1@0.1を達成した。
ScentFormerは、条件をまたいで一般化し、過渡的な化学力学を捉える能力は、嗅覚AIにおける時間的モデリングの可能性を実証している。
SmellNetとScentFormerは、医療、食品、飲料、環境モニタリング、製造、エンターテイメントなど、現実世界の嗅覚アプリケーションの基礎を作った。
関連論文リスト
- Diffusion Models for Increasing Accuracy in Olfaction Sensors and Datasets [0.0]
拡散型分子生成を用いた新しい機械学習手法を導入し,オーダローカライゼーションの精度を向上する。
本フレームワークは,ロボット上での嗅覚モデルにより,臭気を正しいソースと正確に関連付ける能力を高める。
論文 参考訳（メタデータ） (2025-05-31T08:22:09Z) - Navigating the Fragrance space Via Graph Generative Models And Predicting Odors [0.2749898166276853]
我々は、匂いの複雑な景観とより広い化学空間を効率的にナビゲートし、探索するために、生成的モデリング技術一式を探索する。
従来のアプローチとは異なり、分子を生成するだけでなく、OC AUCスコア0.97で匂いの類似性を予測し、匂いのラベルを割り当てる。
論文 参考訳（メタデータ） (2025-01-30T22:00:23Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Data Science In Olfaction [1.4499463058550683]
データサイエンスとAIの観点から嗅覚を概念化し、嗅覚の特性を鼻から脳への嗅覚システムでどのように認識し分析するかを関連づける。
色覚に区別を加えることで、嗅覚は刺激の複雑さ、感覚装置の高次元性、そして地上の真実を構成するものなど、ユニークな測定課題をもたらすと論じる。
本研究は,マウス嗅球にカルシウム画像で記録された嗅覚に対する神経反応の機械学習による分類を用いて行った。
論文 参考訳（メタデータ） (2024-04-08T13:25:02Z) - Olfactory Label Prediction on Aroma-Chemical Pairs [0.2749898166276853]
本稿では,アロマケミカルのブレンドから発生する臭気特性を正確に予測できるグラフニューラルネットワークモデルを提案する。
本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。
論文 参考訳（メタデータ） (2023-12-26T17:18:09Z) - Limitations in odour recognition and generalisation in a neuromorphic
olfactory circuit [0.07589017023705934]
本稿では, 哺乳類嗅球に記述された回路にインスパイアされた, ニューロモルフィックアーキテクチャ上での臭気学習アルゴリズムを提案する。
彼らは、ガス臭気と無臭ガスの「ラピッドオンライン学習と識別」におけるアルゴリズムの性能を評価する。
論文 参考訳（メタデータ） (2023-09-20T18:00:05Z) - Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳（メタデータ） (2023-07-13T15:08:44Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z)
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。