論文の概要: Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy

• arxiv url: http://arxiv.org/abs/2509.25964v1
• Date: Tue, 30 Sep 2025 09:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.073978
• Title: Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy
• Title（参考訳）: 分光分析のための畳み込みニューラルネットワークの再評価:ラマン分光に着目して
• Authors: Deniz Soysal, Xabier García-Andrade, Laura E. Rodriguez, Pablo Sobron, Laura M. Barge, Renaud Detry,
• Abstract要約: 我々は1次元畳み込みニューラルネットワーク(CNN)を評価し,4つの進歩を報告した。 コンパクトCNNは、手作りの機能で$k$-nearest-neborsを上回っている。 ラベル効率の学習: 半教師付き生成的敵ネットワークと対照的な事前学習により、最大で11%の精度が向上し、わずか10%のラベルしか取得できない。 このワークフローには、生のスペクトルのトレーニング、プールのチューニング、ラベルの不足時に半スーパービジョンの追加、新しいターゲットに対する微調整が含まれる。
• 参考スコア（独自算出の注目度）: 1.1545092788508224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous Raman instruments on Mars rovers, deep-sea landers, and field robots must interpret raw spectra distorted by fluorescence baselines, peak shifts, and limited ground-truth labels. Using curated subsets of the RRUFF database, we evaluate one-dimensional convolutional neural networks (CNNs) and report four advances: (i) Baseline-independent classification: compact CNNs surpass $k$-nearest-neighbors and support-vector machines on handcrafted features, removing background-correction and peak-picking stages while ensuring reproducibility through released data splits and scripts. (ii) Pooling-controlled robustness: tuning a single pooling parameter accommodates Raman shifts up to $30 \,\mathrm{cm}^{-1}$, balancing translational invariance with spectral resolution. (iii) Label-efficient learning: semi-supervised generative adversarial networks and contrastive pretraining raise accuracy by up to $11\%$ with only $10\%$ labels, valuable for autonomous deployments with scarce annotation. (iv) Constant-time adaptation: freezing the CNN backbone and retraining only the softmax layer transfers models to unseen minerals at $\mathcal{O}(1)$ cost, outperforming Siamese networks on resource-limited processors. This workflow, which involves training on raw spectra, tuning pooling, adding semi-supervision when labels are scarce, and fine-tuning lightly for new targets, provides a practical path toward robust, low-footprint Raman classification in autonomous exploration.
• Abstract（参考訳）: 火星探査機、深海ランダー、フィールドロボットのラマン自動観測装置は、蛍光基線、ピークシフト、および限られた地上トルスラベルによって歪んだ生のスペクトルを解釈しなければならない。 RRUFFデータベースのキュレートされたサブセットを用いて、一次元畳み込みニューラルネットワーク(CNN)を評価し、4つの進歩を報告する。 i) ベースラインに依存しない分類: コンパクトCNNは、ハンドクラフト機能上の$k$-nearest-neighborやサポートベクターマシンを超え、バックグラウンド補正とピークピッキングステージを削除し、リリースされたデータ分割とスクリプトによる再現性を確保する。 (ii) プール制御されたロバスト性: 単一プールパラメータのチューニングは、ラマンシフトを最大30ドルまで調整し、スペクトル分解能と変換不変性をバランスさせる。 (3)ラベル効率の学習:半教師付き生成的敵ネットワークと対照的な事前学習により、ラベルがわずか10\%のラベルで最大11\%の精度が向上し、アノテーションの少ない自律的なデプロイメントに有用である。 (4) 一定時間適応: CNNバックボーンを凍結し、ソフトマックス層のみをリトレーニングすることにより、リソース制限されたプロセッサ上でのシームズネットワークよりも優れている$\mathcal{O}(1)のコストで、未確認ミネラルにモデルを転送する。 このワークフローは、生のスペクトルのトレーニング、プールのチューニング、ラベルの不足時の半スーパービジョンの追加、新しいターゲットに対する微調整などを含み、自律探査におけるロバストで低フットプリントのラマン分類への実践的な道筋を提供する。

関連論文リスト

• Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
  サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。 Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-28T13:27:38Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• Learning and Interpreting Gravitational-Wave Features from CNNs with a Random Forest Approach [9.455814650734618]
  本稿では,CNNに基づく特徴抽出器とランダムフォレスト(RF)分類器を組み合わせたハイブリッドアーキテクチャを提案する。 提案手法では, 物理的に解釈可能な4つの指標 – 分散, 信号対雑音比 (SNR) , 波形重なり, ピーク振幅 – を導入している。 長期歪データセットを用いて実験した結果,我々のハイブリッドモデルはベースラインCNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-26T07:33:27Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Role of Locality and Weight Sharing in Image-Based Tasks: A Sample Complexity Separation between CNNs, LCNs, and FCNs [42.551773746803946]
  視覚タスクは局所性と翻訳不変性の特性によって特徴づけられる。 これらのタスクにおける畳み込みニューラルネットワーク(CNN)の優れた性能は、そのアーキテクチャに埋め込まれた局所性や重み付けの帰納的バイアスに起因する。 CNNにおけるこれらのバイアスの統計的利点を、局所連結ニューラルネットワーク(LCN)と完全連結ニューラルネットワーク(FCN)で定量化しようとする試みは、以下のカテゴリに分類される。
  論文  参考訳（メタデータ） (2024-03-23T03:57:28Z)
• Deep Unsupervised Learning Using Spike-Timing-Dependent Plasticity [1.9424510684232212]
  Spike-Timing-Dependent Plasticity (STDP)はスパイクニューラルネットワーク(SNN)のための教師なし学習機構である 本研究では,STDPクラスタリングプロセスによって生成された擬似ラベルを用いて,レートベースの畳み込みネットワークをトレーニングするDeep-STDPフレームワークについて検討する。 Tiny ImageNetデータセットの10クラスのサブセット上で,アイソ精度でより高速な収束速度を実現する。
  論文  参考訳（メタデータ） (2023-07-08T22:21:23Z)
• Offline Reinforcement Learning at Multiple Frequencies [62.08749079914275]
  本研究では、オフライン強化学習アルゴリズムが、トレーニング中に複数の周波数を混合したデータに対応できるかどうかについて検討する。 学習を安定させるために$Q$-valueの更新率で一貫性を強制する、単純だが効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:54:49Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。