論文の概要: Diffusion Models for Increasing Accuracy in Olfaction Sensors and Datasets
- arxiv url: http://arxiv.org/abs/2506.00455v1
- Date: Sat, 31 May 2025 08:22:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:33.083529
- Title: Diffusion Models for Increasing Accuracy in Olfaction Sensors and Datasets
- Title（参考訳）: 嗅覚センサとデータセットの精度向上のための拡散モデル
- Authors: Kordel K. France, Ovidiu Daescu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic odour source localization (OSL) is a critical capability for autonomous systems operating in complex environments. However, current OSL methods often suffer from ambiguities, particularly when robots misattribute odours to incorrect objects due to limitations in olfactory datasets and sensor resolutions. To address this challenge, we introduce a novel machine learning method using diffusion-based molecular generation to enhance odour localization accuracy that can be used by itself or with automated olfactory dataset construction pipelines with vision-language models (VLMs) This generative process of our diffusion model expands the chemical space beyond the limitations of both current olfactory datasets and the training data of VLMs, enabling the identification of potential odourant molecules not previously documented. The generated molecules can then be more accurately validated using advanced olfactory sensors which emulate human olfactory recognition through electronic sensor arrays. By integrating visual analysis, language processing, and molecular generation, our framework enhances the ability of olfaction-vision models on robots to accurately associate odours with their correct sources, thereby improving navigation and decision-making in environments where olfactory cues are essential. Our methodology represents a foundational advancement in the field of robotic olfaction, offering a scalable solution to the challenges posed by limited olfactory data and sensor ambiguities.
- Abstract（参考訳）: ロボットの臭気源位置決め(OSL)は複雑な環境で動く自律システムにとって重要な機能である。
しかし、現在のOSLの手法は曖昧さに悩まされることが多い。特に、嗅覚データセットやセンサーの解像度の制限により、ロボットが不正なオブジェクトに振る舞うことを誤解する場合である。
この課題に対処するために、拡散型分子生成を用いた新しい機械学習手法を導入し、それ自体または視覚言語モデル(VLM)を用いた自動嗅覚データセット構築パイプラインで使用可能な臭素局在化精度を向上させる。
生成された分子は、電子センサーアレイを通して人間の嗅覚認識をエミュレートする高度な嗅覚センサーを用いて、より正確に検証することができる。
視覚分析,言語処理,分子生成を統合することにより,ロボット上での嗅覚と正しいソースを正確に関連付け,嗅覚が不可欠である環境でのナビゲーションと意思決定を改善することができる。
我々の手法は、ロボットの嗅覚の分野における基礎的な進歩を表しており、限られた嗅覚データとセンサーの曖昧さによって引き起こされる課題に対するスケーラブルな解決策を提供する。
関連論文リスト
- Towards Operational Automated Greenhouse Gas Plume Detection [0.15556354682377155]
この研究は、データとラベルの品質管理、バイアスの防止、そして正しく整列されたモデリング目的など、この分野におけるいくつかの重要な障害をレビューし対処する。
運用性能検出が可能な航空機および宇宙搭載機器のマルチキャンプデータを用いた厳密な実験を実演する。
分析可能なデータ、モデル、デプロイメントのためのソースコードを提供し、ベストプラクティスのセットを定義します。
論文 参考訳（メタデータ） (2025-05-27T22:22:54Z) - Data Quality Monitoring through Transfer Learning on Anomaly Detection for the Hadron Calorimeters [0.36070136675401654]
トランスファーラーニング(TL)メカニズムは、新しいタスクに事前訓練されたモデルを利用することで、データのスパーシリティとモデルの複雑さを軽減することを約束する。
CERNにおけるコンパクト・ムーン・ソレノイド実験におけるハドロン・カロリメータの異常検出におけるTLの可能性について述べる。
実験の結果,TLは対象のサブ検出器上でのモデル学習精度を効果的に向上することが示された。
論文 参考訳（メタデータ） (2024-08-29T15:19:06Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - 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) - Leveraging generative adversarial networks to create realistic scanning
transmission electron microscopy images [2.5954872177280346]
機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。
我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。
完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2023-01-18T19:19:27Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Machine-learning Kondo physics using variational autoencoders [0.0]
我々は変分オートエンコーダを用いて、1粒子アンダーソン不純物モデルスペクトル関数のデータセットから洞察を抽出する。
学習された潜在空間成分は、よく知られたが非自明なパラメータと強く相関している。
論文 参考訳（メタデータ） (2021-07-16T17:03:58Z) - Multi-Modal Anomaly Detection for Unstructured and Uncertain
Environments [5.677685109155077]
現代のロボットは、最小限の人間の監督で異常や故障を検出して回復する能力を必要とします。
本稿では,非構造的かつ不確実な環境での障害識別のための教師付き変分オートエンコーダ(SVAE)を提案する。
実地ロボットデータを用いた実験では,ベースライン法よりも障害同定性能が優れており,解釈可能な表現を学習できる。
論文 参考訳（メタデータ） (2020-12-15T21:59:58Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。