論文の概要: OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions

• arxiv url: http://arxiv.org/abs/2509.11499v1
• Date: Mon, 15 Sep 2025 01:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.113418
• Title: OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions
• Title（参考訳）: OASIS: 新たなロス関数によって駆動されるユニバーサル分光分析のためのディープラーニングフレームワーク
• Authors: Chris Young, Juejing Liu, Marie L. Mortensen, Yifu Feng, Elizabeth Li, Zheming Wang, Xiaofeng Guo, Kevin M. Rosso, Xin Zhang,
• Abstract要約: 技術に依存しない自動スペクトル分析のための機械学習(ML)フレームワークを提案する。 OASISは、戦略的に設計された合成データセットでトレーニングされたモデルを通じて、その汎用性を達成する。 本研究は、高性能MLモデルを開発するための重要な資源効率戦略として、損失関数の最適化を強調した。
• 参考スコア（独自算出の注目度）: 4.0097349146966925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of spectroscopic data across various scientific and engineering fields necessitates automated processing. We introduce OASIS (Omni-purpose Analysis of Spectra via Intelligent Systems), a machine learning (ML) framework for technique-independent, automated spectral analysis, encompassing denoising, baseline correction, and comprehensive peak parameter (location, intensity, FWHM) retrieval without human intervention. OASIS achieves its versatility through models trained on a strategically designed synthetic dataset incorporating features from numerous spectroscopy techniques. Critically, the development of innovative, task-specific loss functions-such as the vicinity peak response (ViPeR) for peak localization-enabled the creation of compact yet highly accurate models from this dataset, validated with experimental data from Raman, UV-vis, and fluorescence spectroscopy. OASIS demonstrates significant potential for applications including in situ experiments, high-throughput optimization, and online monitoring. This study underscores the optimization of the loss function as a key resource-efficient strategy to develop high-performance ML models.
• Abstract（参考訳）: 様々な科学・工学分野にまたがる分光データの拡散は、自動処理を必要とする。 OASIS(Omni-purpose Analysis of Spectra via Intelligent Systems)は、機械学習(ML)フレームワークで、非依存で自動的なスペクトル分析を行う。 OASISは、多くの分光技術の特徴を取り入れた戦略的に設計された合成データセットで訓練されたモデルを通じて、その汎用性を達成する。 重要なことに、ピークローカライゼーションのための近接ピーク応答(ViPeR)のような革新的でタスク固有の損失関数の開発は、このデータセットからコンパクトで高精度なモデルの作成を可能にし、Raman、UV-vis、蛍光分光による実験データで検証された。 OASISは、In situ実験、高スループット最適化、オンラインモニタリングなど、アプリケーションにとって大きな可能性を実証している。 本研究は、高性能MLモデルを開発するための重要な資源効率戦略として、損失関数の最適化を強調した。

関連論文リスト

• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [89.99161034065614]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
  機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。 分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。 我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
  論文  参考訳（メタデータ） (2025-02-14T04:07:25Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning [0.0]
  確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$) 我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-11-07T05:41:48Z)
• 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)
• Explainable Predictive Modeling for Limited Spectral Data [0.0]
  本稿では、高次元および限られたスペクトルデータの予測結果を解釈するために、最近の説明可能なAI技術を適用する。 機器の解像度制限のため、分光データの重要な領域をピンポイントすると、データ収集プロセスを最適化する経路が生成される。 具体的には,MLモデルの評価がリアルタイムの実践に堅牢であることを保証するために,3つの異なるシナリオを設計する。
  論文  参考訳（メタデータ） (2022-02-09T15:46:17Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。