論文の概要: Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling

• arxiv url: http://arxiv.org/abs/2603.11296v1
• Date: Wed, 11 Mar 2026 20:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.635786
• Title: Single molecule localization microscopy challenge: a biologically inspired benchmark for long-sequence modeling
• Title（参考訳）: 単一分子局在顕微鏡の課題--長周期モデリングのための生物学的にインスパイアされたベンチマーク
• Authors: Fatemeh Valeh, Monika Farsang, Radu Grosu, Gerhard Schütz,
• Abstract要約: 状態空間モデル(SSM)は、最近、長いシーケンスモデリングタスクにおいて強力なパフォーマンスを達成した。 単分子顕微鏡チャレンジ (PAM-C) は、dStormとDNA-INTモダリティにまたがる10個のSMLMシミュレーションからなるベンチマークデータセットである。 これらのシミュレーションの制御されたサブセットを用いて、状態空間モデルを評価し、性能が時間的不連続性として著しく低下することを発見した。 これらの結果は、実世界の科学画像データで遭遇するスパースで不規則な時間過程に適したシーケンスモデルの必要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 8.15111481608191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State space models (SSMs) have recently achieved strong performance on long sequence modeling tasks while offering improved memory and computational efficiency compared to transformer based architectures. However, their evaluation has been largely limited to synthetic benchmarks and application domains such as language and audio, leaving their behavior on sparse and stochastic temporal processes in biological imaging unexplored. In this work, we introduce the Single Molecule Localization Microscopy Challenge (SMLM-C), a benchmark dataset consisting of ten SMLM simulations spanning dSTORM and DNA-PAINT modalities with varying hyperparameter designed to evaluate state space models on biologically realistic spatiotemporal point process data with known ground truth. Using a controlled subset of these simulations, we evaluate state space models and find that performance degrades substantially as temporal discontinuity increases, revealing fundamental challenges in modeling heavy-tailed blinking dynamics. These results highlight the need for sequence models better suited to sparse, irregular temporal processes encountered in real world scientific imaging data.
• Abstract（参考訳）: 状態空間モデル(SSM)は、最近、トランスフォーマーベースのアーキテクチャと比較して、メモリと計算効率を改善しながら、長いシーケンスモデリングタスクにおいて強力なパフォーマンスを実現している。 しかし、それらの評価は合成ベンチマークや言語や音声などの応用領域に限られており、生物学的イメージングにおけるスパースな時間過程や確率的な時間過程に残されている。 本研究では,dSTORMとDNA-PAINTモダリティにまたがる10個のSMLMシミュレーションからなるベンチマークデータセットSMLM-Cを提案する。 これらのシミュレーションの制御された部分集合を用いて、状態空間モデルを評価し、時間的不連続が増加するにつれて性能が著しく低下し、重み付き点滅力学のモデリングにおける根本的な課題が明らかになる。 これらの結果は、実世界の科学画像データで遭遇するスパースで不規則な時間過程に適したシーケンスモデルの必要性を浮き彫りにしている。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
  シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。 提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。 DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
  論文  参考訳（メタデータ） (2025-12-01T01:01:48Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。