論文の概要: Unsupervised domain adaptation for radioisotope identification in gamma spectroscopy

• arxiv url: http://arxiv.org/abs/2603.05719v1
• Date: Thu, 05 Mar 2026 22:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.597288
• Title: Unsupervised domain adaptation for radioisotope identification in gamma spectroscopy
• Title（参考訳）: ガンマ分光法における放射アイソトープ同定のための教師なし領域適応
• Authors: Peter Lalor, Ayush Panigrahy, Alex Hagen,
• Abstract要約: 教師なしドメイン適応(UDA)は、新しいテスト領域に一般化するために合成データに基づいて訓練されたモデルの能力を向上させることができる。 本研究では,UDAが新しいテスト領域に一般化するために,合成データに基づいて訓練されたモデルの能力を向上させることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training machine learning models for radioisotope identification using gamma spectroscopy remains an elusive challenge for many practical applications, largely stemming from the difficulty of acquiring and labeling large, diverse experimental datasets. Simulations can mitigate this challenge, but the accuracy of models trained on simulated data can deteriorate substantially when deployed to an out-of-distribution operational environment. In this study, we demonstrate that unsupervised domain adaptation (UDA) can improve the ability of a model trained on synthetic data to generalize to a new testing domain, provided unlabeled data from the target domain are available. Conventional supervised techniques are unable to utilize this data because the absence of isotope labels precludes defining a supervised classification loss. Instead, we first pretrain a spectral classifier using labeled synthetic data and subsequently leverage unlabeled target data to align the learned feature representations between the source and target domains. We compare a range of different UDA techniques, finding that minimizing the maximum mean discrepancy (MMD) between source and target feature vectors yields the most consistent improvement to testing scores. For instance, using a custom transformer-based neural network, we achieved a testing accuracy of $0.904 \pm 0.022$ on an experimental LaBr$_3$ test set after performing unsupervised feature alignment via MMD minimization, compared to $0.754 \pm 0.014$ before alignment. Overall, our results highlight the potential of using UDA to adapt a radioisotope classifier trained on synthetic data for real-world deployment.
• Abstract（参考訳）: ガンマ分光法による放射性同位体同定のための機械学習モデルの訓練は、大規模で多様な実験データセットの取得とラベル付けの難しさに起因して、多くの実践的応用において大きな課題となっている。 シミュレーションはこの課題を軽減することができるが、シミュレーションデータでトレーニングされたモデルの精度は、アウト・オブ・ディストリビューションの運用環境にデプロイすると大幅に低下する可能性がある。 本研究では,教師なし領域適応(UDA)により,対象領域からのラベルなしデータが利用可能であれば,合成データに基づいて訓練されたモデルが,新たなテスト領域に一般化できることを示す。 従来の監督的手法では、同位体ラベルの欠如が監督的分類損失の定義を妨げているため、このデータを利用できない。 代わりに、ラベル付き合成データを用いてスペクトル分類器を事前訓練し、その後ラベル付き対象データを活用して、学習した特徴表現をソースとターゲットドメイン間で整列させる。 我々は様々なUDA手法を比較し、ソースとターゲット特徴ベクトル間の最大平均誤差(MMD)を最小化することで、テストスコアに最も一貫した改善をもたらすことを発見した。 例えば、カスタムトランスフォーマーベースのニューラルネットワークを使用して、MDD最小化による教師なし機能アライメントを実行した後、実験的なLaBr$_3$テストセットで0.904 \pm 0.022$の精度を、アライメント前の0.754 \pm 0.014$に対して達成した。 以上の結果から,UDAを用いて実世界展開のための合成データに基づいて訓練された放射性同位体分類器を適用できる可能性が示唆された。

関連論文リスト

• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection [0.0]
  産業用視覚検査における異常検出は, 欠陥試料の不足により困難である。 本稿では,ニューラルバッチサンプリング,オートエンコーダ,予測器を統合した半教師付き深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T12:53:53Z)
• 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)
• Sim-to-real supervised domain adaptation for radioisotope identification [0.061173711613792085]
  機械学習は、ガンマ分光法を用いて放射性同位体識別の速度と信頼性を向上させる可能性がある。 しかし、訓練のための実験データセットを慎重にラベル付けすることは、しばしば違法に高価である。 教師付き領域適応は,ラジオアイソトープ識別モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-12-10T00:21:00Z)
• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)

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。