論文の概要: Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences
- arxiv url: http://arxiv.org/abs/2601.21246v1
- Date: Thu, 29 Jan 2026 04:10:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.566181
- Title: Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences
- Title（参考訳）: 干渉によるロバスト化学検出のためのピークアウェアアテンション付き条件生成フレームワーク
- Authors: Namkyung Yoon, Sanghong Kim, Hwangnam Kim,
- Abstract要約: 本稿では,ピーク対応条件生成モデルに基づく人工知能識別フレームワークを提案する。
このフレームワークは、GC-MSデータの特徴的ピークをハイライトする新しいピーク対応メカニズムで学習される。
さらに、化学および溶媒情報は、それに埋め込まれた潜伏ベクトルに符号化され、条件付き生成対向ニューラルネットワークが合成GC-MS信号を生成する。
- 参考スコア（独自算出の注目度）: 3.976291254896486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gas chromatography-mass spectrometry (GC-MS) is a widely used analytical method for chemical substance detection, but measurement reliability tends to deteriorate in the presence of interfering substances. In particular, interfering substances cause nonspecific peaks, residence time shifts, and increased background noise, resulting in reduced sensitivity and false alarms. To overcome these challenges, in this paper, we propose an artificial intelligence discrimination framework based on a peak-aware conditional generative model to improve the reliability of GC-MS measurements under interference conditions. The framework is learned with a novel peak-aware mechanism that highlights the characteristic peaks of GC-MS data, allowing it to generate important spectral features more faithfully. In addition, chemical and solvent information is encoded in a latent vector embedded with it, allowing a conditional generative adversarial neural network (CGAN) to generate a synthetic GC-MS signal consistent with the experimental conditions. This generates an experimental dataset that assumes indirect substance situations in chemical substance data, where acquisition is limited without conducting real experiments. These data are used for the learning of AI-based GC-MS discrimination models to help in accurate chemical substance discrimination. We conduct various quantitative and qualitative evaluations of the generated simulated data to verify the validity of the proposed framework. We also verify how the generative model improves the performance of the AI discrimination framework. Representatively, the proposed method is shown to consistently achieve cosine similarity and Pearson correlation coefficient values above 0.9 while preserving peak number diversity and reducing false alarms in the discrimination model.
- Abstract（参考訳）: ガスクロマトグラフィー質量分析法 (GC-MS) は化学物質検出に広く用いられている分析法であるが, 干渉物質の存在下で測定信頼性が低下する傾向にある。
特に、干渉物質は非特異的なピーク、居住時間シフト、背景雑音の増加を引き起こし、感度の低下と誤報を引き起こす。
本稿では,これらの課題を克服するために,ピーク対応条件生成モデルに基づく人工知能識別フレームワークを提案し,干渉条件下でのGC-MS測定の信頼性を向上させる。
このフレームワークは、GC-MSデータの特徴的ピークを強調し、重要なスペクトル特徴をより忠実に生成する新しいピーク認識機構によって学習される。
さらに、化学および溶媒情報は、それに埋め込まれた潜伏ベクトルに符号化され、条件付き生成対向ニューラルネットワーク(CGAN)により、実験条件と整合した合成GC-MS信号を生成する。
これにより、化学物質データに間接的な物質状況を想定した実験データセットが生成され、実際の実験を行うことなく取得が制限される。
これらのデータは、AIベースのGC-MS識別モデルの学習に使われ、正確な化学物質の識別に役立つ。
提案手法の有効性を検証するために, 生成したシミュレーションデータの定量的, 質的な評価を行う。
また、生成モデルがAI識別フレームワークの性能をどのように改善するかを検証する。
提案手法は,ピーク数の多様性を保ち,識別モデルにおける誤報を低減しつつ,コサイン類似度とピアソン相関係数値が0.9以上であることを示す。
関連論文リスト
- SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Comparative Analysis of Formula and Structure Prediction from Tandem Mass Spectra [3.2243643829769586]
液体クロマトグラフィー質量分析法 (LC-MS) によるメタボロミクスとエポゾミックは、生物学的試料中の検出可能な小さな分子を測定することを目的としている。
発見者は、現実的なパフォーマンスベースラインを確立し、重要なボトルネックを特定し、MSに基づいた複合予測をさらに改善するためのガイダンスを提供した。
論文 参考訳（メタデータ） (2026-01-02T16:20:13Z) - Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。
実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。
モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
論文 参考訳（メタデータ） (2025-11-24T19:34:53Z) - Towards Overcoming Data Scarcity in Nuclear Energy: A Study on Critical Heat Flux with Physics-consistent Conditional Diffusion Model [44.6164235303852]
拡散モデル(DM)のような深層生成モデルは、統計的にトレーニングデータに類似した高忠実な合成サンプルを生成することができる。
本稿では,核エネルギー応用におけるデータ不足を克服するためのDMの有効性について検討する。
論文 参考訳（メタデータ） (2025-11-20T10:19:03Z) - AI-driven Generation of MALDI-TOF MS for Microbial Characterization [1.3155923068686746]
本研究では,MALDI-TOF MSスペクトルを合成するための深層生成モデルについて検討した。
我々は3つの生成モデル、変分オートエンコーダ(MALDIVAEs)、生成共振器ネットワーク(MALDIGANs)、確率モデル(MALDIffusion)を適応・評価する。
実験により、MALDIVAE、MALDIGAN、MALDIffusionによって生成された合成データは、統計的に、診断的に実測値に匹敵することがわかった。
論文 参考訳（メタデータ） (2025-11-18T10:01:21Z) - Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy [0.5002873541686897]
農薬や合成染料は、食品の安全性、人間の健康、環境の持続可能性に重大な脅威をもたらす。
ラマン分光法は分子特異的な指紋を提供するが、スペクトルノイズ、蛍光背景、バンドオーバーラップに悩まされている。
本稿では,ラーマン分光法(MLRaman)から農薬や染料を検出するためのResNet-18特徴抽出に基づくディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-15T11:35:55Z) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。
このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。
本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
論文 参考訳（メタデータ） (2025-02-26T13:13:24Z) - A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。
我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。
本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-16T11:18:32Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。