論文の概要: VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture

• arxiv url: http://arxiv.org/abs/2604.01365v1
• Date: Wed, 01 Apr 2026 20:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.959761
• Title: VIANA: character Value-enhanced Intensity Assessment via domain-informed Neural Architecture
• Title（参考訳）: VIANA: ドメインインフォームド・ニューラルアーキテクチャによる文字値強調インテンシティアセスメント
• Authors: Luana P. Queiroz, Icaro S. C. Bernardes, Ana M. Ribeiro, Bernardo M. Aguilera-Mercado, Idelfonso B. R. Nogueira,
• Abstract要約: 本研究では、構造グラフ理論、文字値埋め込み、現象学的挙動を統合する新しいフレームワークVIANAを紹介する。 我々は、知識伝達が本質的に肯定的ではないことを実証する。むしろ、モデルに提供された情報の量にバランスを保たなければならない。 VIANAは、飽和の物理的天井、検出しきい値の感度、および匂い特性値の発現のニュアンスをうまく捉えている。
• 参考スコア（独自算出の注目度）: 0.4349640169711269
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting the perceived intensity of odorants remains a fundamental challenge in sensory science due to the complex, non-linear behavior of their response, as well as the difficulty in correlating molecular structure with human perception. While traditional deep learning models, such as Graph Convolutional Networks (GCNs), excel at capturing molecular topology, they often fail to account for the biological and perceptual context of olfaction. This study introduces VIANA, a novel "tri-pillar" framework that integrates structural graph theory, character value embeddings, and phenomenological behavior. This methodology systematically evaluates knowledge transfer across three distinct domains: molecular structure via GCNs, semantic odor character values via Principal Odor Map (POM) embeddings, and biological dose-response logic via Hill's law. We demonstrate that knowledge transfer is not inherently positive; rather, a balance must be maintained in the volume of information provided to the model. While raw semantic data led to "information overload" in domain-informed models, applying Principal Component Analysis (PCA) to distill the 95% most impactful semantic variance yielded a superior "signal distillation" effect. Results indicate that the synthesis of these three knowledge transfer pillars significantly outperforms baseline structural models, with VIANA achieving a peak R^2 of 0.996 and a test Mean Squared Error (MSE) of 0.19. In this context, VIANA successfully captures the physical ceiling of saturation, the sensitivity of detection thresholds, and the nuance of odor character value expression, providing a domain grounded simulation of the human olfactory experience. This research provides a robust framework for digital olfaction, effectively bridging the gap between molecular informatics and sensory perception.
• Abstract（参考訳）: 嗅覚の強さを予測することは、複雑な非線形な反応の振る舞いや、分子構造と人間の知覚を関連付けることの難しさから、感覚科学の基本的な課題である。 グラフ畳み込みネットワーク(GCNs)のような従来のディープラーニングモデルは、分子トポロジーを捉えるのに優れているが、しばしば生物学的および知覚的なオオアアクションの文脈を説明できない。 本研究では、構造グラフ理論、文字値埋め込み、現象学的振る舞いを統合する新しい「トリピラー」フレームワークであるVIANAを紹介する。 本手法は,GCNによる分子構造,主オーダマップ(POM)埋め込みによる意味的臭気特性値,ヒルの法則による生物学的線量応答論理の3つの異なる領域間の知識伝達を系統的に評価する。 我々は、知識伝達が本質的に肯定的ではないことを実証する。むしろ、モデルに提供された情報の量にバランスを保たなければならない。 生のセマンティックデータがドメインインフォームドモデルに"情報過負荷"をもたらす一方で、95%の影響力のあるセマンティック分散を蒸留するために主成分分析(PCA)を適用した結果、優れた「手話蒸留」効果が得られた。 その結果、これらの3つの知識伝達柱の合成はベースライン構造モデルよりも優れており、VIANAのピークR^2は0.996、平均正方形誤差(MSE)は0.19であることがわかった。 この文脈では、VIANAは飽和の物理的天井、検出しきい値の感度、および匂いの文字値表現のニュアンスをうまく捉え、人間の嗅覚経験のドメインベースシミュレーションを提供する。 本研究は, 分子情報学と知覚知覚学のギャップを効果的に埋める, デジタル嗅覚のための堅牢な枠組みを提供する。

関連論文リスト

• BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles [2.2344764434954256]
  我々は、MICrONsデータセットからの詳細なシナプス接続グラフにインスパイアされた感情分類のためのフィードフォワードニューラルネットワークであるBioNICを提案する。 構造レベルでは、マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を組み込む。 機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプス可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経性モデリングのためのシナプスノイズ。
  論文  参考訳（メタデータ） (2026-01-20T08:58:30Z)
• Fragment-Wise Interpretability in Graph Neural Networks via Molecule Decomposition and Contribution Analysis [0.9217021281095907]
  SEAL(Substructure Explanation via Attribution Learning)は、モデル予測を意味のある分子サブグラフに属性付ける、新しい解釈可能なグラフニューラルネットワークである。 SEALは入力グラフを化学的に関連する断片に分解し、出力に対する因果的影響を推定する。
  論文  参考訳（メタデータ） (2025-08-20T19:15:53Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning [0.0]
  従来のグラフ畳み込みネットワーク(GCN)は、限られたデータとクラス不均衡を伴う課題に直面している。 グラフ等化ネットワーク,マルチヘッドアテンション,およびグラフ上の大規模アドバイザリ拡張を個別に活用する。 我々はFew-Shot Learningを導入し、限られた注釈付きサンプルを用いてモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2023-11-22T16:07:32Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Interpreting Deep Learning Models for Epileptic Seizure Detection on EEG signals [4.748221780751802]
  ディープラーニング(DL)は、しばしば人工知能ベースの医療意思決定支援の最先端とみなされます。 臨床現場では未だに実装されており、ニューラルネットワークモデルの解釈能力が不十分なため、臨床医の信頼は低い。 脳波信号に基づくてんかん発作のオンライン検出の文脈で解釈可能なDLモデルを開発することでこの問題に対処した。
  論文  参考訳（メタデータ） (2020-12-22T11:10:23Z)

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。