論文の概要: Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation

• arxiv url: http://arxiv.org/abs/2605.17518v1
• Date: Sun, 17 May 2026 16:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.125031
• Title: Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation
• Title（参考訳）: ロバストピーク推定のためのベイズスペクトルデコンボリューションと専門科学的推論の統合
• Authors: Hayato Okubo, Yoshifumi Amamoto, Toshimitsu Aritake, Hiroyuki Kumazoe, Shiryu Nakano, Evan Jamison, Satoshi Tanaka, Yoh-ichi Mototake,
• Abstract要約: スペクトルデコンボリューションを専門的な科学的推論と統合する枠組みを提案する。 我々は、高強度ノイズや未知の背景を持つ合成スペクトルを用いて、その枠組みを検証する。
• 参考スコア（独自算出の注目度）: 0.46141109426698784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral deconvolution is essential for extracting peak structures that encode material properties and chemical structures, but conventional automated methods often fail when spectra contain high-intensity noise or unknown background components. In practice, scientists rarely interpret spectra in isolation. Instead, they identify physically meaningful peaks by relating spectral structures to auxiliary information such as physical-property values, chemical structures, and trends across related measurements. Here, we propose a Bayesian framework that integrates spectral deconvolution with a model of expert scientific reasoning. In this work, expert scientific reasoning refers to the practice of evaluating candidate spectral structures by their consistency with independently measured physical-property values, rather than to manual expert intervention during inference. We formalize this reasoning as a physical-property regression layer, implemented using Gaussian process regression, and couple it with Bayesian spectral deconvolution. By averaging the physical-property likelihood over posterior predictive spectra inferred from Bayesian spectral deconvolution, the proposed method selects spectral models according to the consistency between inferred spectral structures and physical-property information. We validate the framework using synthetic spectra with high-intensity noise or unknown backgrounds and infrared spectra of poly(lactic acid). The method recovers physically meaningful peak structures that conventional Bayesian spectral deconvolution misses or misidentifies from spectra alone, including weak peaks in poly(lactic acid) IR spectra related to measured degradation rates. These results demonstrate that integrating expert scientific reasoning with Bayesian spectral deconvolution enables robust peak estimation under conditions where spectrum-only inference is unreliable.
• Abstract（参考訳）: スペクトルデコンボリューションは材料特性や化学構造をエンコードするピーク構造を抽出するために必須であるが、スペクトルが高強度ノイズや未知の背景成分を含む場合、従来の自動化手法は失敗することが多い。 実際には、科学者はスペクトルを単独で解釈することは滅多にない。 その代わり、スペクトル構造と物理固有値、化学構造、関連する測定の傾向などの補助情報とを関連づけることで、物理的に意味のあるピークを識別する。 本稿では、スペクトルデコンボリューションと専門的な科学的推論のモデルを統合するベイズ的枠組みを提案する。 この研究において、専門家の科学的推論は、推論中の手動の専門的介入よりも、独立に測定された物理的優位性値との整合性によって、候補のスペクトル構造を評価する実践を指す。 我々は、この推論を物理固有回帰層として形式化し、ガウス過程回帰を用いて実装し、ベイズスペクトルデコンボリューションと組み合わせる。 ベイズスペクトルデコンボリューションから推定される後方予測スペクトルに対する物理固有性確率を平均化することにより、推定されたスペクトル構造と物理固有性情報との整合性に応じてスペクトルモデルを選択する。 ポリ乳酸の高強度ノイズや未知の背景を持つ合成スペクトルと赤外スペクトルを用いたフレームワークの有効性を検証した。 本手法は, 従来のベイズ分光脱畳法で測定された劣化速度に関連するポリ乳酸(IR)スペクトルの弱いピークを含む, スペクトルのみから誤りまたは誤同定される物理的に有意なピーク構造を復元する。 これらの結果は、ベイズスペクトルの脱畳畳み込みと専門的な科学的推論を統合することで、スペクトルのみの推測が信頼できない条件下で頑健なピーク推定が可能になることを示している。

関連論文リスト

• Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models [0.6487259764989486]
  本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。 SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、摂動による関係を推定し、有向重み付きグラフでバッグワイズランキングを集計する。
  論文  参考訳（メタデータ） (2026-05-04T15:01:04Z)
• On the Spectral Flattening of Quantized Embeddings [25.64641307046705]
  超低精度での大規模言語モデルの訓練は、離散量子化制約と言語データの本質的な重み付きスペクトル特性の相違に根ざした不安定性によって、決定的に阻害される。 この研究は、LLMのスペクトル感度を定量化するだけでなく、安定な低ビット最適化に必要な条件としてスペクトル忠実性を確立する。
  論文  参考訳（メタデータ） (2026-02-01T02:21:53Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• To Bin or not to Bin: Alternative Representations of Mass Spectra [0.0]
  我々は、下流機械学習タスク、すなわちセットベースおよびグラフベース表現の前に、マススペクトルの双対化の2つの選択肢について検討する。 提案した2つの表現を比較して、回帰タスクにおいて、セット変換器とグラフニューラルネットワークをトレーニングし、それぞれが、バイナリデータに基づいてトレーニングされた多層パーセプトロンよりもかなり優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-02-15T16:52:36Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Decoding Structure-Spectrum Relationships with Physically Organized Latent Spaces [6.36075035468233]
  構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。 本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。 RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
  論文  参考訳（メタデータ） (2023-01-11T21:30:22Z)
• Feature visualization of Raman spectrum analysis with deep convolutional neural network [0.0]
  本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。 この方法は、まず単純なローレンツスペクトルに対して検討され、その後、医薬品化合物および数値混合アミノ酸のスペクトルに適用された。
  論文  参考訳（メタデータ） (2020-07-27T08:15:38Z)

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。