論文の概要: EB-gMCR: Energy-Based Generative Modeling for Signal Unmixing and Multivariate Curve Resolution

• arxiv url: http://arxiv.org/abs/2507.23600v1
• Date: Thu, 31 Jul 2025 14:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.926673
• Title: EB-gMCR: Energy-Based Generative Modeling for Signal Unmixing and Multivariate Curve Resolution
• Title（参考訳）: EB-gMCR:信号アンミックスと多変量曲線分解のためのエネルギーベース生成モデル
• Authors: Yu-Tang Chang, Shih-Fang Chen,
• Abstract要約: EB-gMCRは、データを忠実に再構築できる最小のコンポーネントを自動的に発見するエネルギーベースのディープラーニングソルバである。 最大256個の潜水源を含むノイズの多いデータセットでは、EB-gMCRはR2 >= 0.98 を維持し、地上の真理の5%以内に成分数を回収した。 EB-gMCRは、化学ライブラリ駆動シナリオを含む大規模信号アンミックス解析への実践的な経路を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signal unmixing analysis decomposes data into basic patterns and is widely applied in chemical and biological research. Multivariate curve resolution (MCR), a branch of signal unmixing, separates mixed chemical signals into base patterns (components) and their concentrations, playing a key role in understanding composition. Classical MCR is typically framed as matrix factorization (MF) and requires a user-specified component count, usually unknown in real data. As dataset size or component count increases, the scalability and reliability of MF-based MCR face significant challenges. This study reformulates MCR as a generative process (gMCR), and introduces an energy-based deep learning solver, EB-gMCR, that automatically discovers the smallest component set able to reconstruct the data faithfully. EB-gMCR starts from a large candidate pool (e.g., 1024 spectra) and employs a differentiable gating network to retain only active components while estimating their concentrations. On noisy synthetic datasets containing up to 256 latent sources, EB-gMCR maintained R^2 >= 0.98 and recovered the component count within 5% of the ground truth; at lower noise it achieved R^2 >= 0.99 with near exact component estimation. Additional chemical priors, such as non-negativity or nonlinear mixing, enter as simple plug-in functions, enabling adaptation to other instruments or domains without altering the core learning process. By uniting high-capacity generative modeling and hard component selection, EB-gMCR offers a practical route to large-scale signal unmixing analysis, including chemical library-driven scenarios. The source code is available at https://github.com/b05611038/ebgmcr_solver.
• Abstract（参考訳）: シグナルアンミックス分析は、データを基本的なパターンに分解し、化学および生物学的研究に広く応用されている。 信号アンミックスの分岐である多変量曲線分解(MCR)は、混合化学信号を基本パターン(成分)とその濃度に分離し、構成を理解する上で重要な役割を担っている。 古典的MCRは通常、行列分解(MF)としてフレーム化されており、実際のデータでは知られていない、ユーザ指定のコンポーネント数を必要とする。 データセットのサイズやコンポーネントの数が増えるにつれて、MFベースのMCRのスケーラビリティと信頼性は重大な課題に直面している。 本研究は、MCRを生成過程(gMCR)として再構成し、エネルギーベースのディープラーニング解決器EB-gMCRを導入し、データを忠実に再構築できる最小のコンポーネントを自動的に発見する。 EB-gMCRは、大きな候補プール(例えば、1024のスペクトル)から始まり、その濃度を推定しながら活性成分のみを保持するために、微分可能なゲーティングネットワークを使用する。 R^2 >= 0.98 であり, ノイズが低い場合にはR^2 >= 0.99 となり, ほぼ正確な成分推定値が得られた。 非負性や非線形混合のような追加の化学的先行要素は、単純なプラグイン関数として入力され、コア学習プロセスを変更することなく、他の機器やドメインへの適応を可能にする。 高容量生成モデルとハードコンポーネント選択を結合することにより、EB-gMCRは化学ライブラリ駆動シナリオを含む大規模信号アンミックス分析への実践的な経路を提供する。 ソースコードはhttps://github.com/b05611038/ebgmcr_solverで入手できる。

関連論文リスト

• MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification [12.648298676665886]
  脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。 本稿では,運動画像パラダイムに適した脳波基礎モデルMIRepNetを提案する。
  論文  参考訳（メタデータ） (2025-07-27T12:54:42Z)
• CEC-MMR: Cross-Entropy Clustering Approach to Multi-Modal Regression [8.127496643086701]
  本稿では,回帰問題における成分数の自動検出を可能にするCEC-MMRを提案する。 属性とその値が与えられた場合、そのメソッドは基盤となるコンポーネントと一意に識別することができる。 その結果,CEC-MMRは古典的MDNよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2025-04-09T21:51:38Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Assessing the Performance of 1D-Convolution Neural Networks to Predict Concentration of Mixture Components from Raman Spectra [0.0]
  ラマン分光法の新たな応用は、生薬製造中の化学反応器の状態を監視することである。 化学計測アルゴリズムは、反応が進行するにつれてバイオリアクターの複雑な混合物から生成されるラマンスペクトルを解釈するために用いられる。 特定のバイオリアクター環境に最適なアルゴリズムを見つけることは、ラマン混合データセットが不足しているため困難である。
  論文  参考訳（メタデータ） (2023-06-29T01:41:07Z)
• Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations of Imperfection Factors and Overall Macromolecular Signal [16.574504002037]
  代謝物とプロトンMSSを正確に定量することは依然として困難である。 ディープラーニングは、この全体的な量的問題を解決する複雑さを減らすために導入された。 QnetはクラウドコンピューティングプラットフォームであるCloudBrain-MRSにデプロイされている。
  論文  参考訳（メタデータ） (2023-06-16T08:24:18Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network [0.0]
  本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。 次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。 本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
  論文  参考訳（メタデータ） (2020-10-29T14:58:39Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。