論文の概要: Using Data-Derived Priors to Guide CNN Architecture Design for NIR Chemometrics

• arxiv url: http://arxiv.org/abs/2607.25636v1
• Date: Tue, 28 Jul 2026 12:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.831374
• Title: Using Data-Derived Priors to Guide CNN Architecture Design for NIR Chemometrics
• Title（参考訳）: NIRケモメトリックスのためのCNNアーキテクチャ設計のガイドにデータ分散プライオリティを用いる
• Abstract要約: 近赤外線(NIR)ケロメトリのための畳み込みニューラルネットワーク(CNN)は、一般的なアーキテクチャ規則を用いて設計されることが多い。 スペクトルデータセットがサンプリング,滑らか性,冗長性,サンプルサイズに異なるかどうかを検討した。 我々は,データセットのサイズ,スペクトル長と間隔,エントロピー,固有ランク,自己相関,ウェーブレットスケール構造を計算した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNN) for near-infrared (NIR) chemometrics are often designed using generic architectural rules, although spectral datasets differ in sampling, smoothness, redundancy, and sample size. We tested whether these properties can provide empirical priors for CNN design. Across 25 NIR regression tasks, we computed descriptors of dataset size, spectral length and spacing, entropy, intrinsic rank, autocorrelation, and wavelet-scale structure. Two interpretable 1D-CNN scaffolds (a minimal single-convolution model and an extended shallow model with optional branching, dilation, etc) were optimized using five-fold cross-validated Bayesian hyperparameter optimization (HPO). Relationships extracted from near-optimal trials were converted into warm-start heuristics and evaluated directly and through leave-one-dataset-out (LODO) validation. The clearest relationships involved convolutional receptive fields. In the minimal CNN, the preferred kernel fraction decreased with spectral entropy and intrinsic rank, increased with the wavelet energy-support fraction, and the learning rate tended to decrease with training-set size. Direct and LODO heuristics were competitive with HPO, with median test-RMSE ratios of 0.953 and 1.017, respectively. The extended CNN showed similar but less transferable structure across branch usage, dilation, dropout, filter counts, and receptive-field choices. Ten stochastic refits showed seed sensitivity comparable to that of HPO-selected configurations. In a separate experiment, joint preprocessing and CNN HPO outperformed standardized-spectra HPO in 19 of 25 tasks, although gains were dataset-dependent. These results show that spectral descriptors can provide practical CNN design priors, guiding shallow NIR models toward plausible hyperparameter regions before target-specific tuning
• Abstract（参考訳）: 近赤外線(NIR)ケロメトリのための畳み込みニューラルネットワーク(CNN)は、一般的なアーキテクチャ規則を用いて設計されることが多いが、スペクトルデータセットはサンプリング、滑らか性、冗長性、サンプルサイズが異なる。 これらの特性がCNN設計の実証的な先行性を提供できるかどうかを検証した。 25個のNIR回帰タスクに対して,データセットサイズ,スペクトル長と間隔,エントロピー,固有ランク,自己相関,ウェーブレットスケール構造を計算した。 2つの解釈可能な1D-CNN足場(最小の単一畳み込みモデルと、オプション分岐、拡張等を含む浅層モデル)を5倍のバイエルンハイパーパラメータ最適化(HPO)を用いて最適化した。 準最適試験から抽出した関係をウォームスタートヒューリスティックに変換し,LODO(Left-one-dataset-out)検証を通じて直接評価した。 最も明確な関係は、畳み込み受容の分野であった。 最小のCNNでは、スペクトルエントロピーと固有ランクで好ましくは減少し、ウェーブレットエネルギー支持率で増加し、学習速度はトレーニングセットサイズで低下する傾向にあった。 直接およびLODOヒューリスティックスはそれぞれ0.953と1.017の試験-RMSE比でHPOと競合した。 拡張されたCNNでは、ブランチの使用、ダイレーション、ドロップアウト、フィルタ数、受信フィールドの選択に類似しているが、転送可能な構造が示されていた。 10種類の確率的再構成はHPO選択構成に匹敵する種子感受性を示した。 別の実験では、共同前処理とCNN HPOは25タスクのうち19タスクで標準スペクトルHPOよりも優れていたが、利得はデータセットに依存していた。 これらの結果から, スペクトル記述子は, 目標固有チューニング前の高パラメータ領域への浅部NIRモデル誘導により, 実用的なCNN設計の先駆けとなることが示唆された。

関連論文リスト

• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Tabular foundation models for robust calibration of near-infrared chemical sensing data [0.0]
  近赤外分光法は、迅速で非破壊的な化学センシング技術としてますます使われている。 タブレット基礎モデルは、NIR化学センシングのための新しいキャリブレーション戦略を提供することができる。 54の回帰と12の分類タスクをカバーする66のNIRデータセット上でTabPFNをベンチマークした。
  論文  参考訳（メタデータ） (2026-05-20T09:48:18Z)
• Feasibility Study of CNNs and MLPs for Radiation Heat Transfer in 2-D Furnaces with Spectrally Participative Gases [0.3495246564946556]
  そこで我々は,2次元壁状領域における放射熱伝達解を近似する代理モデルを構築した。 この研究の独創性は、CNNアーキテクチャに適合するために問題(ガスと壁の特性)の入力を適応させることにある。 CNNアーキテクチャの性能は、より古典的なアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2025-06-02T14:06:44Z)
• Learning and Interpreting Gravitational-Wave Features from CNNs with a Random Forest Approach [9.455814650734618]
  本稿では,CNNに基づく特徴抽出器とランダムフォレスト(RF)分類器を組み合わせたハイブリッドアーキテクチャを提案する。 提案手法では, 物理的に解釈可能な4つの指標 – 分散, 信号対雑音比 (SNR) , 波形重なり, ピーク振幅 – を導入している。 長期歪データセットを用いて実験した結果,我々のハイブリッドモデルはベースラインCNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-26T07:33:27Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• Batch Normalization Tells You Which Filter is Important [49.903610684578716]
  我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-02T12:04:59Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)

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。