論文の概要: Uncertainty-aware Physics-informed Neural Networks for Robust CARS-to-Raman Signal Reconstruction

• arxiv url: http://arxiv.org/abs/2511.13185v1
• Date: Mon, 17 Nov 2025 09:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.106031
• Title: Uncertainty-aware Physics-informed Neural Networks for Robust CARS-to-Raman Signal Reconstruction
• Title（参考訳）: ロバストCARS-ラマン信号再構成のための不確実性を考慮した物理インフォームドニューラルネットワーク
• Authors: Aishwarya Venkataramanan, Sai Karthikeya Vemuri, Adithya Ashok Chalain Valapil, Joachim Denzler,
• Abstract要約: コヒーレント・アンチストークス・ラマン散乱(CARS)は、医学、物質科学、化学分析において広く用いられている強力で迅速な手法である。 ラベル付きデータセットを用いて測定されたCARSデータから真のラマンスペクトルを再構成するために深層学習法が用いられている。 本研究では,CARS-to-Raman信号再構成の文脈における様々な不確実性定量化(UQ)手法の評価と比較を行う。
• 参考スコア（独自算出の注目度）: 5.471464048416309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coherent anti-Stokes Raman scattering (CARS) spectroscopy is a powerful and rapid technique widely used in medicine, material science, and chemical analyses. However, its effectiveness is hindered by the presence of a non-resonant background that interferes with and distorts the true Raman signal. Deep learning methods have been employed to reconstruct the true Raman spectrum from measured CARS data using labeled datasets. A more recent development integrates the domain knowledge of Kramers-Kronig relationships and smoothness constraints in the form of physics-informed loss functions. However, these deterministic models lack the ability to quantify uncertainty, an essential feature for reliable deployment in high-stakes scientific and biomedical applications. In this work, we evaluate and compare various uncertainty quantification (UQ) techniques within the context of CARS-to-Raman signal reconstruction. Furthermore, we demonstrate that incorporating physics-informed constraints into these models improves their calibration, offering a promising path toward more trustworthy CARS data analysis.
• Abstract（参考訳）: コヒーレント・アンチストークス・ラマン散乱(CARS)は、医学、物質科学、化学分析において広く用いられている強力で迅速な手法である。 しかし、その効果は、真のラマン信号に干渉し歪ませる非共鳴背景の存在によって妨げられる。 ラベル付きデータセットを用いて測定されたCARSデータから真のラマンスペクトルを再構成するために深層学習法が用いられている。 より最近の開発では、クラマース・クロニッヒ関係の領域知識と滑らかさの制約を物理学的インフォームド・ロス関数の形で統合している。 しかし、これらの決定論的モデルには不確実性を定量化する能力がない。 本研究では,CARS-to-Raman信号再構成の文脈における様々な不確実性定量化(UQ)手法の評価と比較を行う。 さらに,これらのモデルに物理インフォームド制約を組み込むことでキャリブレーションが向上し,より信頼性の高いCARSデータ解析への道が開けることを示した。

関連論文リスト

• RamPINN: Recovering Raman Spectra From Coherent Anti-Stokes Spectra Using Embedded Physics [6.031443311367233]
  本稿では,与えられたCARSスペクトルからラマンスペクトルを復元するモデルであるRamPINNを提案する。 我々の中核的な方法論的貢献は、二重デコーダアーキテクチャを利用して共鳴信号と非共鳴信号を切り離す物理インフォームドニューラルネットワークである。 これらの物理に基づく損失のみによるトレーニングは、ラマンスペクトルにアクセスすることなく、まだ競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-07T15:18:44Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy [13.797945335120056]
  本研究は,代謝物濃度の後方分布を近似するために正規化フロー(SNF)を用いたベイズ推論フレームワークを導入する。 物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。
  論文  参考訳（メタデータ） (2025-05-06T14:50:14Z)
• Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles [0.0]
  機械学習電位(MLP)は、分子特性と材料特性の正確かつ効率的な予測を提供することによって、材料発見に革命をもたらした。 グラフニューラルネットワーク(GNN)は、複雑な原子間相互作用をキャプチャする能力のため、最先端のアプローチとして登場した。 この研究は、GNNベースの材料モデリングの堅牢性を改善するための軽量不確実性定量化(UQ)手法の可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-17T04:02:53Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Incorporating sufficient physical information into artificial neural networks: a guaranteed improvement via physics-based Rao-Blackwellization [0.0]
  ラオ・ブラックウェル化の概念は、物理情報による人工ニューラルネットワークの予測を改善するために用いられる。 提案手法は材料モデリングに適用され, 収率関数の同定例で説明される。
  論文  参考訳（メタデータ） (2023-11-10T16:05:46Z)
• Optimal Transport-inspired Deep Learning Framework for Slow-Decaying Kolmogorov n-width Problems: Exploiting Sinkhorn Loss and Wasserstein Kernel [0.0]
  還元次数モデル(ROM)は、高次元システムに対処するために科学計算で広く使われている。 最適輸送理論とニューラルネットワークに基づく手法を統合した新しいROMフレームワークを提案する。 我々のフレームワークは、精度と計算効率の点で従来のROM手法より優れています。
  論文  参考訳（メタデータ） (2023-08-26T10:24:43Z)
• A Robust Backpropagation-Free Framework for Images [47.97322346441165]
  画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。 EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。 結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
  論文  参考訳（メタデータ） (2022-06-03T21:14:10Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)

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。