論文の概要: Self-Supervised Learning with Noisy Dataset for Rydberg Microwave Sensors Denoising

• arxiv url: http://arxiv.org/abs/2601.01924v1
• Date: Mon, 05 Jan 2026 09:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.935213
• Title: Self-Supervised Learning with Noisy Dataset for Rydberg Microwave Sensors Denoising
• Title（参考訳）: Rydbergマイクロ波センサ用ノイズデータセットによる自己教師付き学習
• Authors: Zongkai Liu, Qiming Ren, Wenguang Yang, Yanjie Tong, Huizhen Wang, Yijie Zhang, Ruohao Zhi, Junyao Xie, Mingyong Jing, Hao Zhang, Liantuan Xiao, Suotang Jia, Ke Tang, Linjie Zhang,
• Abstract要約: 単発ノイズ抑圧を可能にするRydbergセンサのための自己教師型ディープラーニングフレームワークについて報告する。 このフレームワークは、同一の統計分布を持つ2組のノイズ信号のトレーニングにより、クリーンな参照信号の必要性を排除している。 Rydbergのセンシングデータセットで評価すると、このフレームワークはウェーブレット変換やカルマンフィルタよりも優れている。
• 参考スコア（独自算出の注目度）: 12.897936741782011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We report a self-supervised deep learning framework for Rydberg sensors that enables single-shot noise suppression matching the accuracy of multi-measurement averaging. The framework eliminates the need for clean reference signals (hardly required in quantum sensing) by training on two sets of noisy signals with identical statistical distributions. When evaluated on Rydberg sensing datasets, the framework outperforms wavelet transform and Kalman filtering, achieving a denoising effect equivalent to 10,000-set averaging while reducing computation time by three orders of magnitude. We further validate performance across diverse noise profiles and quantify the complexity-performance trade-off of U-Net and Transformer architectures, providing actionable guidance for optimizing deep learning-based denoising in Rydberg sensor systems.
• Abstract（参考訳）: 本稿では,Rydbergセンサのための自己教師型ディープラーニングフレームワークについて報告する。 このフレームワークは、同一の統計分布を持つ2組のノイズ信号のトレーニングにより、クリーンな参照信号(量子センシングに必須)の必要性を排除している。 Rydbergのセンシングデータセットで評価すると、このフレームワークはウェーブレット変換やカルマンフィルタよりも優れており、平均1万セットに相当するデノナイジング効果を達成し、計算時間を3桁に短縮する。 さらに、様々なノイズプロファイルのパフォーマンスを検証するとともに、U-NetとTransformerアーキテクチャの複雑さと性能のトレードオフを定量化し、Rydbergセンサーシステムにおけるディープラーニングに基づくdenoisingを最適化するための実用的なガイダンスを提供する。

関連論文リスト

• Denoising by neural network for muzzle blast detection [0.23999111269325263]
  Acoemは、マイクアレイと、戦場で射手を検出し、位置を特定するソフトウェアで構成される銃弾検出システムの開発を行っている。 このようなシステムの性能は、動作中の音響環境の影響を受けやすい。 音響環境の影響を抑えるため,ニューラルネットワークが開発された。
  論文  参考訳（メタデータ） (2025-08-18T09:05:45Z)
• Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments [5.8166742412657895]
  ディープニューラルネットワーク(DNN)は、さまざまなドメインで顕著な成功を収めているが、ノイズやトレーニングデータによってそのパフォーマンスが著しく低下する可能性がある。 本稿では,帰属誘導型データパーティショニング,識別的ニューロンプルーニング,およびノイズのあるサンプルの影響を軽減するための微調整を目的とした新しいフレームワークを提案する。 CIFAR-10の標準リトレーニングよりも約10%の絶対精度向上を実現し,ラベルノイズを注入した。
  論文  参考訳（メタデータ） (2025-06-13T09:37:11Z)
• Efficient Noise Mitigation for Enhancing Inference Accuracy in DNNs on Mixed-Signal Accelerators [4.416800723562206]
  我々は、アナログニューラルネットワークの精度に基づいて、プロセス誘起および老化に関連するアナログコンピューティングコンポーネントのバリエーションをモデル化する。 事前学習モデルの選択した層間に挿入された遮音ブロックを導入する。 雑音レベルに対するモデルのロバスト性を大幅に向上させることを実証した。
  論文  参考訳（メタデータ） (2024-09-27T08:45:55Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• The potential of self-supervised networks for random noise suppression in seismic data [0.0]
  ブラインド・スポット・ネットワークは地震データにおけるランダムノイズの効率的な抑制効果を示す。 結果は、FXデコンボリューションとCurvelet変換という2つの一般的なランダムな復調手法と比較される。 これは、地震の応用における自己教師あり学習の活用の始まりにすぎないと我々は信じている。
  論文  参考訳（メタデータ） (2021-09-15T14:57:43Z)
• Denoising Distantly Supervised Named Entity Recognition via a Hypergeometric Probabilistic Model [26.76830553508229]
  ハイパージオメトリ・ラーニング(HGL)は、遠距離教師付きエンティティ認識のための認知アルゴリズムである。 HGLはノイズ分布とインスタンスレベルの信頼性の両方を考慮に入れている。 実験により、HGLは遠方の監督から取得した弱いラベル付きデータを効果的に復調できることが示された。
  論文  参考訳（メタデータ） (2021-06-17T04:01:25Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)

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。