論文の概要: Optimize Flip Angle Schedules In MR Fingerprinting Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.19941v1
• Date: Tue, 25 Nov 2025 05:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.287635
• Title: Optimize Flip Angle Schedules In MR Fingerprinting Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いたMRフィンガープリントにおけるフリップ角スケジューリングの最適化
• Authors: Shenjun Zhong, Zhifeng Chen, Zhaolin Chen,
• Abstract要約: MRFにおけるフリップ角スケジュールを最適化するためのRLフレームワークを提案する。 本研究では,指紋分離性を高める非周期パターンを示す学習スケジュールを示す。
• 参考スコア（独自算出の注目度）: 7.675640890036747
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Magnetic Resonance Fingerprinting (MRF) leverages transient-state signal dynamics generated by the tunable acquisition parameters, making the design of an optimal, robust sequence a complex, high-dimensional sequential decision problem, such as optimizing one of the key parameters, flip angle. Reinforcement learning (RL) offers a promising approach to automate parameter selection, to optimize pulse sequences that maximize the distinguishability of fingerprints across the parameter space. In this work, we introduce an RL framework for optimizing the flip-angle schedule in MRF and demonstrate a learned schedule exhibiting non-periodic patterns that enhances fingerprint separability. Additionally, an interesting observation is that the RL-optimized schedule may enable a reduction in the number of repetition time, potentially accelerate MRF acquisitions.
• Abstract（参考訳）: MRF(Magnetic Resonance Fingerprinting)は、チューナブルな取得パラメータによって生成される過渡状態信号のダイナミクスを活用し、最適でロバストなシーケンスの設計を、鍵パラメータの1つを最適化し、フリップ角を最適化するなど、複雑で高次元のシーケンシャルな決定問題にする。 強化学習(RL)は、パラメータ選択を自動化するための有望なアプローチを提供し、パラメータ空間全体の指紋の識別性を最大化するパルスシーケンスを最適化する。 本研究では,MRFにおけるフリップアングルスケジュールを最適化するRLフレームワークを導入し,指紋分離性を高める非周期パターンを示す学習スケジュールを示す。 さらに、RLを最適化したスケジュールは繰り返し時間の短縮を可能にし、MDF取得を加速させる可能性があるという興味深い観察がある。

関連論文リスト

• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Learnable Adaptive Time-Frequency Representation via Differentiable Short-Time Fourier Transform [11.05158127763157]
  本稿では,パラメータの勾配に基づく最適化を可能にするSTFTの微分可能な定式化を提案する。 提案手法はニューラルネットワークとシームレスに統合され,STFTパラメータとネットワーク重みの同時最適化が可能となる。 提案手法は,TFRの強化と下流タスクの性能向上に有効である。
  論文  参考訳（メタデータ） (2025-06-26T16:24:27Z)
• CBOL-Tuner: Classifier-pruned Bayesian optimization to explore temporally structured latent spaces for particle accelerator tuning [46.348283638884425]
  本稿では,空間表現のための複合型畳み込み時間オートエンコーダ(AE)を提案する。 CBOLTuneは、複数の最適な設定を特定する上で、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-12-02T17:43:16Z)
• Data-Driven Room Acoustic Modeling Via Differentiable Feedback Delay Networks With Learnable Delay Lines [46.2770645198924]
  フィードバック遅延ネットワーク(FDN)のパラメータを求める新しい手法を提案する。 提案手法は、訓練可能な遅延線を持つ微分可能なFDNの実装を含む。 提案手法は,所望の音響特性と密に一致できる時間不変周波数独立FDNが得られることを示す。
  論文  参考訳（メタデータ） (2024-03-29T10:48:32Z)
• Attention Prompt Tuning: Parameter-efficient Adaptation of Pre-trained Models for Spatiotemporal Modeling [32.603558214472265]
  本稿では,アクション認識などのビデオベースアプリケーションに対して,Attention Prompt Tuning(APT)を導入する。 APTは、バックボーンを凍結させながら微調整中にデータトークンとともに学習可能なプロンプトのセットを注入する。 提案手法は,FLOPとレイテンシを著しく低減するとともに,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-03-11T17:59:41Z)
• MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
  MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。 最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T05:44:50Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Online hyperparameter optimization by real-time recurrent learning [57.01871583756586]
  ニューラルネットワーク(rnn)におけるハイパーパラメータ最適化とパラメータ学習の類似性を活用した。 RNNのための学習済みのオンライン学習アルゴリズムのファミリーを適応させ、ハイパーパラメータとネットワークパラメータを同時に調整します。 この手順は、通常の方法に比べて、ウォールクロック時間のほんの少しで、体系的に一般化性能が向上する。
  論文  参考訳（メタデータ） (2021-02-15T19:36:18Z)

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。